CrossRec：借鉴推荐系统方法构建跨模态单细胞测序调控图谱的方法

《Nature Communications》：Recommendation system-inspired learning of crossmodal interaction patterns between chromatin accessibility and gene expression

　　

摘要

尽管跨模态单细胞测序技术的可用性日益增加，现有方法仍受限于生物属性的利用不足、模态信号稀疏以及调控交互建模不充分，这在数据匮乏的场景中限制了模型的泛化能力和峰值-基因层级关系的发现。有趣的是，这些挑战与推荐系统中的问题极为相似，在推荐系统中，辅助信息、高稀疏性、二元交互和冷启动问题已被广泛研究。受推荐模型从不完整交互图中推断用户-物品偏好的启发，我们提出了CrossRec，该方法将scATAC和scRNA数据重构为交互图，以学习跨单细胞任务中的调控模式。其生物驱动的图注意力网络（BAGAT）能够对ATAC-RNA对进行学习可解释的注意力计算。CrossRec在各项任务上均优于现有方法，在数据匮乏的设置中保持鲁棒性，能够泛化到未见过的细胞类型和数据集，并能增强基于先验的方法。其学习到的调控图谱提供了细胞和细胞类型特异性见解，揭示了皮层神经发生过程中动态调控重连以及黑色素瘤耐药中药物诱导调控的扰动特异性重连。