scCIF：用于单细胞多组学聚类的端到端贡献感知融合框架

《BioData Mining》：scCIF: contribution-informed fusion for single-cell multi-omics clustering

　　

摘要

背景

单细胞多组学技术为表征细胞异质性提供了互补的分子信息。然而，数据的稀疏性、噪声、跨组学异质性以及组学信息的不均衡使得准确的细胞聚类面临挑战。

方法

我们提出了scCIF，一种用于单细胞多组学聚类的端到端贡献感知融合框架。scCIF采用贡献感知融合自适应地构建共识语义空间，并进一步引入难样本感知的分配校准，将各组学特有的分配结果与融合后的分配分布进行对齐。

结果

在八个公开的单细胞多组学数据集上的实验表明，scCIF在ARI、NMI和AMI指标上均持续优于对比方法。消融实验验证了各关键组件的有效性。UMAP可视化、批次效应分析、轨迹推断和标志基因分析进一步证明scCIF能够保留具有生物学意义的细胞结构。

结论

scCIF通过联合建模贡献不均衡和跨组学语义漂移，提升了单细胞多组学聚类效果，为学习具有判别性且具备生物学可解释性的细胞表示提供了稳健的框架。