基于插补驱动的双阈值自适应单细胞多组学数据整合方法scII的创新与应用

《Journal of Chemical Information and Modeling》:scII: Dual-Threshold Adaptive Integration of Single-Cell Multiomics Data Driven by Imputation

【字体: 大 中 小 】 时间:2026年01月17日 来源:Journal of Chemical Information and Modeling 5.3

编辑推荐:

  这篇综述系统阐述了单细胞多组学数据整合面临的挑战,并提出了创新性解决方案scII(基于插补驱动的双阈值自适应单细胞多组学数据整合方法)。该方法通过RNA引导插补、Maxout激活的多层感知机分类器、动态双阈值选择机制和基于BIC的自适应聚类等四大技术创新,成功实现了非配对scRNA-seq和scATAC-seq数据的高精度整合与细胞类型注释迁移,为解析细胞异质性和跨组学调控网络提供了强有力的工具。

  
单细胞多组学数据整合旨在联合分析来自同一细胞或细胞群体的多层分子信息,涵盖基因组、转录组、表观基因组、蛋白质组以及各种混合模态技术产生的数据。与传统单组学分析相比,多组学整合能够阐明跨层调控相互作用,从而更全面地表征细胞状态、解析功能异质性并揭示潜在的动态调控机制。
研究背景与挑战
单细胞多组学数据固有地面临高维性、极端稀疏性和显著异质性等挑战,这些因素显著增加了数据整合的计算复杂性和分析难度。现有研究根据数据配对关系和共享结构,将整合方法主要分为三类:水平整合、垂直整合和对角整合。水平整合采用线性因子模型将多个组学数据集投影到共享潜在空间,计算效率高且可解释性强,但其有效性强烈依赖于跨模态的共享特征数量。垂直整合专为来自同一细胞的配对多组学数据设计,利用一对一细胞对应关系建模非线性跨模态关系并实现跨模态预测。对角整合不依赖共享特征或细胞级配对,而是采用降维或深度学习构建公共潜在空间,从而实现跨不同组学模态的综合分析。
scII方法框架
scII是一个由四个关键模块组成的集成框架:RNA引导插补模块、特征提取和分类模块、细胞选择模块和跨组学整合模块。该方法针对scATAC-seq检测到的开放染色质区域数量仅为scRNA-seq通常捕获基因数约三分之一这一局限性,创新性地利用scRNA-seq成熟注释流程提供高质量参考图谱,实现跨组学注释迁移。
数据预处理与RNA引导插补
预处理流程针对每种数据模态进行定制。对scRNA-seq数据采用Seurat包实现的标准化工作流,包括归一化、对数转换和后续Z-score标准化。对scATAC-seq数据,将峰值计数转换为基因活性矩阵,随后进行TF-IDF转换和Z-score标准化。RNA引导插补通过主成分分析将原始矩阵从高维空间投影到低维子空间,在scRNA-seq数据的低维嵌入空间中使用余弦相似度量化细胞间相似性,形成RNA-RNA相似度矩阵。跨组学插补利用相似度矩阵推断缺失的scATAC-seq特征,通过相似性加权平均方案聚合特征,形成插补特征矩阵。
特征提取与分类
采用基于两层全连接自编码器的编码器获得低维嵌入,使用自注意力模块对嵌入矩阵进行加权获得重建矩阵。为在高维和稀疏条件下实现准确细胞类型分类,开发了基于多层感知机的分类器,该分类器采用两个Maxout层作为编码器,线性层作为解码器,实现从scRNA-seq和scATAC-seq数据的非线性特征学习。为有效训练分类器并解决真实单细胞数据集中细胞类型不平衡问题,采用加权交叉熵损失函数,该策略为代表性不足的稀有细胞类型分配较高权重,为过度代表的常见细胞类型分配较低权重。
动态双阈值细胞选择
由于scRNA-seq和scATAC-seq之间的固有差异,直接应用scRNA-seq训练的MLP分类器到scATAC-seq数据通常会降低准确性和可靠性。为此开发了基于动态高斯混合模型的策略,利用基因表达与染色质可及性之间的相关性自适应识别"高质量"scATAC-seq细胞。选择基于两个标准:特征相似性和分类可靠性。特征相似性计算通过评估每个scATAC-seq细胞与scRNA-seq数据在特征空间中的对齐程度,计算相似性得分。分类可靠性损失评估分类器预测scATAC-seq细胞的准确性和置信度。通过高斯混合建模对归一化的交叉组学相似性得分和分类损失进行正态化,使用贝叶斯信息准则动态确定高斯分量数量,实现数据驱动的聚类结构推断。
跨组学整合与自训练策略
为减少选定高质量细胞中的跨组学差异,最小化scRNA-seq和scATAC-seq模态之间的均方误差。定义对齐损失为各类别特征向量之间的欧几里得距离平方和。为利用高质量scATAC-seq细胞并迭代优化模型,采用自训练框架。每次迭代中,先前识别的高质量细胞从scATAC-seq数据集中移除并合并到scRNA-seq数据集中作为伪标记样本,从而用高置信度预测增强训练集。更新后的scRNA-seq数据用于端到端重新训练整个模型,最小化结合分类和跨模态对齐目标的复合损失。
性能评估与实验结果
通过多维框架评估模型性能,包括调和轮廓系数、准确率、加权F1-score、标准化互信息、调整兰德指数和调整互信息。在真实肾脏数据集和模拟数据集上的整合效果可视化表明,scII方法通过成功混合两种模态的细胞,同时为每种细胞类型形成明确定义的簇,表现出卓越性能。多指标聚类性能评估显示,scII在复杂组织环境中具有良好泛化能力,在14个注释肾脏细胞类型上达到93%的分类准确率,有效实现从scRNA-seq到scATAC-seq的标签转移,并以强判别力重建肾脏细胞身份。
参数优化与消融研究
在scRNA-seq引导的scATAC-seq插补中,参数K(最近邻数量)直接影响插补精度和计算效率。评估表明,最优K因数据集而异,反映了内在结构和数据质量的差异。消融分析评估了双阈值机制的贡献,特别关注使用交叉组学相似性得分和MLP分类可靠性损失进行高质量细胞选择的效果。结果显示,随着数据集规模和复杂性的增加,scII通常实现最佳或接近最佳的性能指标,在交叉组学整合程度和聚类质量之间达到优越平衡。
结论与未来方向
scII通过采用余弦相似性进行细胞比较和加权插补,有效减轻技术噪声并弥合模态间隙。该框架结合双重可靠性评估,整合特征相似性与分类损失,并利用渐进式知识转移增强对低质量或异常样本的鲁棒性。在真实和模拟数据集上的基准测试证明了scII的卓越性能,特别是在复杂数据集中,实现超过78%的注释准确率,具有高判别力、结构保真度、紧凑的簇内凝聚性和明显的簇间边界。当前scATAC-seq预处理流程的局限性在于仅依赖从近端调控区域构建的基因活性矩阵,排除了远端可及区域的信息。随着测序技术向三组学和四组学分析发展,scII将扩展到适应更高维数据,并明确将远端可及区域映射到其靶基因,旨在利用完整的调控景观,捕获更复杂的跨模态相互作用,进一步提高过渡性和稀有细胞状态的分辨率。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号