《PLOS Computational Biology》：Clustering single-cell multi-omics data via weighted distance penalty and adaptive consistent graph regularization
编辑推荐：
本文针对单细胞多组学数据整合中面临的高维噪声、技术偏差及跨模态一致性不足等挑战，介绍了一种新颖的聚类方法 scWDAC。该方法通过引入加权距离惩罚与自适应图正则化策略，有效融合多组学层次信息，在十组配对单细胞多组学数据集上验证了其在聚类准确性、鲁棒性与生物可解释性方面的优越性能，为深入解析细胞异质性及调控网络提供了强有力的计算工具。
在生命科学飞速发展的今天，科学家们已经能够在单个细胞水平上同时检测基因组、转录组、蛋白组和表观基因组等多层信息，这被称为单细胞多组学技术。这项技术如同一把高倍显微镜，让我们得以以前所未有的分辨率窥探细胞的微小世界，理解癌症、免疫疾病等复杂疾病的根源——细胞异质性。然而，这份来自不同“维度”的海量数据，却给研究人员带来了幸福的烦恼：如何将这些嘈杂、高维且互补的数据有效地整合在一起，从而精准地识别出不同的细胞类型，成为了当前生物信息学领域的一大挑战。传统的聚类方法多专注于单组学数据（如 scRNA-seq），但容易受到技术噪音的干扰，且无法充分利用多组学数据提供的互补信息。为了突破这些瓶颈，一项发表在《PLOS Computational Biology》上的研究提出了一种名为 scWDAC 的新型计算框架，旨在为单细胞多组学数据的整合与分析提供更优解。
为开展此项研究，作者主要采用了以下关键技术方法：首先，研究基于十组已公开的、带有准确细胞类型注释的配对单细胞多组学数据集（如 SNARE、BRCA、PBMC 等）进行评估。核心方法 scWDAC 融合了低秩表示（Low-Rank Representation, LRR）与高斯核加权的距离惩罚项，以同时捕捉数据的全局结构与局部非线性关系。接着，通过三因子分解与自适应一致性图正则化策略，在共识矩阵上强制执行跨模态一致性，保留各层组学特异性信息的同时实现有效整合。最后，利用自适应信息简化策略对相似性矩阵进行去噪，并基于优化后的矩阵进行谱聚类以及下游的 t-SNE/UMAP可视化、标志基因识别（使用COSG方法）、功能富集分析和生存分析。
研究结果
比较聚类结果
通过 ACC、NMI 和 KNA 等多种评估指标，在十个数据集上系统比较了 scWDAC 与多种现有先进方法（如 Seurat、MOFA+、JSNMF 等）的性能。结果显示，scWDAC 在多个数据集上（如 Simu1、Simu2、Sai、BRCA、Inhouse 和 Spleen）的 ACC 和 NMI 得分均领先或极具竞争力。特别是，其提出的突破性分数（Breakthrough Score, BS）最高，表明它能更好地平衡聚类准确性与集群分布均匀性。在衡量局部结构保持的 KNA 指标上，scWDAC 也表现优异，尤其在 Simu1、Sai、BRCA 和 Inhouse 数据集上排名第一。这些结果共同证实了 scWDAC 在整合线性和非线性信息、增强跨模态一致性方面的有效性。与 直观展示了其在 ACC 和 NMI 上的优势。
标志基因识别与功能富集分析
应用 scWDAC 对 SNARE 数据集进行聚类后，利用余弦相似性标志基因识别方法（COSG）成功识别出各细胞簇的特异性高表达基因。例如，在白血病细胞系 K562 中识别出与细胞凋亡通路相关的 G0S2 基因，在淋巴母细胞系 GM12878 中识别出与抗原呈递相关的 HLA-DRA、CD74 等基因。UMAP 可视化显示了清晰的细胞分群。对标志基因进行层次聚类和功能富集分析发现，同一细胞类型的基因能完美重聚，且这些基因显著富集于“树突状细胞抗原处理与呈递”、“外在凋亡信号通路”等生物学过程，验证了所识别标志基因的生物学功能相关性。综合展示了从标志基因气泡图、UMAP可视化到功能富集的全部分析结果。
消融分析
通过移除 scWDAC 框架中的关键组件（加权距离惩罚项、噪声项），评估了各部分对最终性能的贡献。结果表明，对于小规模、噪声突出的数据集（如 Sai、BRCA），移除噪声项导致性能显著下降；而对于大规模、非线性特征明显的数据集（如 PBMC、BMNC），移除加权距离惩罚项的影响更大。这证实了联合使用这两个组件对于应对不同类型数据挑战的必要性。此外，测试不同组学层组合的效果发现，同时使用所有组学层总能获得最佳性能，证明了跨组学信息互补的价值。与 分别展示了消融分析与多组学组合实验的结果。
在真实癌症数据集上的生存分析
将 scWDAC 应用于来自 TCGA（癌症基因组图谱）的急性髓系白血病（AML）和胶质母细胞瘤（GBM）批量多组学数据。通过聚类识别出与患者生存显著相关的标志基因。在 AML 中，UGT3A2 基因的高表达与更好的生存预后相关；而在 GBM 中，NROB1 和 DCX 基因的低表达预示着更长的生存期。这些发现显示了 scWDAC 在识别潜在预后生物标志物方面的能力，为其在精准医学领域的应用提供了依据。展示了标志基因及其生存分析结果。
计算复杂度与收敛性分析
文章详细分析了 scWDAC 优化算法的计算复杂度，其单次迭代复杂度主要受矩阵奇异值分解等操作影响，与数据规模有关。在十组数据集上的运行时间比较显示，scWDAC 在较小数据集上效率尚可，但在大规模数据集上计算耗时增加。虽然未提供理论收敛性证明，但通过数值实验展示了目标函数值随迭代下降的趋势，表明了算法的实际收敛性。
研究结论与讨论
本研究提出的 scWDAC 框架，通过巧妙结合加权距离惩罚与自适应一致性图正则化，成功解决了单细胞多组学数据整合中的关键难题。其核心创新在于能够同时优化全局一致性与局部精度，从而在捕捉跨组学共享结构的同时，不丢失各模态特有的生物学细节。大量实验证明，scWDAC 在聚类准确性、对噪音的鲁棒性以及下游分析的生物可解释性方面均优于现有方法。它不仅能够更清晰地区分细胞类型，还能鉴定出具有生物学功能和临床预后意义的标志基因。
尽管成效显著，作者也客观指出了 scWDAC 目前面临的挑战，主要在于其计算复杂度随着数据规模和组学层数的增加而上升，在处理超大规模数据时的可扩展性有待进一步提升。未来研究需要致力于算法优化，例如探索并行计算策略，以应对不断增长的单细胞数据量。
总而言之，scWDAC 作为一个强大的计算工具，为从复杂的单细胞多组学数据中深入挖掘细胞异质性、理解基因调控网络以及发现潜在的疾病生物标志物提供了新的可能。它的发展顺应了单细胞技术迈向多组学整合的时代潮流，对于推动基础生物学研究和转化医学应用均有重要意义。
