SONATA：一种保障单细胞多组学数据对角线整合可靠性的新型诊断方法

针对单细胞多组学数据对角线整合(diagonal integration)中普遍存在的模糊映射(ambiguous mapping)问题，加拿大滑铁卢大学与Broad研究所团队开发了SONATA诊断工具。该方法通过量化数据流形中的细胞间模糊性，有效识别主流整合方法(如MMD-MA、SCOT等)可能产生的虚假整合，为scRNA-seq、scATAC-seq等多组学数据整合提供可靠性保障。研究成果发表于《Bioinformatics》，填补了该领域质量评估的技术空白。

　　

随着单细胞多组学技术的突破性发展，科学家们已能同时获取同一细胞的转录组(scRNA-seq)、表观基因组(scATAC-seq、scMethyl-seq)等多维度数据。然而这些模态数据往往来自不同细胞群体，且特征维度差异显著——例如基因表达关注mRNA丰度，而染色质可及性测量基因组开放区域。这种"既无共享细胞又无共同特征"的困境，催生了不依赖锚定要素的对角线整合(diagonal integration)方法，如MMD-MA、SCOT等通过流形对齐(manifold alignment)实现跨模态整合。

但这类方法存在致命盲区：当数据流形存在几何相似结构时，细胞可能被错误映射到完全不同的生物学状态。就像细胞周期(cell cycle)的环形轨迹，任意旋转都会产生数学等效但生物学错误的解。更严峻的是，这种虚假整合(artificial integration)难以察觉，可能导致研究者基于错误结论提出假说。加拿大滑铁卢大学Han Zhou等开发SONATA方法，首次系统性地解决了这一隐患。

研究团队创新性地提出细胞间模糊性(cell-cell ambiguity)量化指标。通过将数据模态与其添加高斯噪声的变体反复对齐，利用Gromov-Wasserstein最优传输计算自对齐概率，再通过立方平滑样条建立距离-概率衰减模型。当细胞对的实际对应概率显著偏离预期时(p<0.01)，即判定为模糊映射。该方法在模拟数据中准确识别T/Y/X形分支的几何相似性，在sc-GEM等真实数据集成功捕捉到轨迹反向对齐等典型错误。

关键技术包括：1)基于k-NN图的流形构建与测地距离计算；2)带单调约束的立方平滑样条拟合；3)基于约束聚类的模糊细胞群识别；4)利用排列矩阵生成替代整合方案。实验验证采用FOSCTTM(匹配准确率)和LTA(标签转移准确率)双指标，涵盖4种模拟数据集和sc-GEM/SNARE-Seq/sc-NMT三类真实多组学数据。

主要发现
模拟数据揭示普遍性风险
在设计的T/Y/X形分支数据集中，所有主流方法(MMD-MA、SCOTv1/v2等)均出现分支错配。如T形数据中绿色分支被错误映射至红色分支，对应细胞间测地距离达14.7单位，但几何上下文相似度达82%。

真实数据诊断典型案例
sc-GEM数据集出现iPS细胞轨迹端点反向对齐，自对齐分析显示端点细胞模糊性评分Δ=0.68；SNARE-Seq中BJ与K562细胞群混淆，对应模糊群组覆盖率达73%；sc-NMT则发现E5.5与E7.5时期的周期性误配。

性能提升验证
通过SONATA生成的替代方案使SCOTv2在sc-GEM的FOSCTTM从0.41降至0.19(p<0.0001)，LTA提升37%。关键改进体现为交叉模态对应矩阵从随机分布转为清晰的块对角结构。

这项研究首次系统论证了单细胞多组学整合中的模糊映射风险具有方法普适性。SONATA作为现有流程的"安全卫士"，其价值不在于替代整合算法，而是通过模糊群组识别和替代方案生成，帮助研究者辨别生物学真实解。作者特别指出，当数据存在周期性或对称性结构时，应优先采用SONATA进行质量评估。未来工作可将细胞模糊性度量拓展至跨模态相似性计算，或结合LLM技术实现自动化分析。该成果为单细胞多组学数据的可靠整合建立了新标准，对发育生物学、肿瘤异质性研究等具有重要意义。