scMOG:一种用于保持调控关系的一致性单细胞多组学整合的图神经网络方法
《Quantitative Biology》:scMOG: A graph neural network method for regulatory relationship-preserving single-cell multi-omics integration
【字体:
大
中
小
】
时间:2026年05月08日
来源:Quantitative Biology 1.4
编辑推荐:
摘要
单细胞多组学测序技术为研究细胞异质性提供了强大的工具。然而,除了稀疏性、异质性和维度差异等挑战之外,多组学数据整合中的一个关键挑战在于保持分子特征之间的真实调控关系。为了解决这些限制,我们提出了单细胞多组学图神经网络(scMOG)框架,该框架利用异构图来保持单细胞多组学数
摘要
单细胞多组学测序技术为研究细胞异质性提供了强大的工具。然而,除了稀疏性、异质性和维度差异等挑战之外,多组学数据整合中的一个关键挑战在于保持分子特征之间的真实调控关系。为了解决这些限制,我们提出了单细胞多组学图神经网络(scMOG)框架,该框架利用异构图来保持单细胞多组学数据中的调控关系。scMOG利用编码器提取细胞和特征的低维嵌入,同时使用零膨胀负二项式解码器重构输入数据,有效处理高稀疏性和噪声。此外,scMOG引入了对比学习模块和组学对齐模块,以在提取一致信息的同时保持不同组学之间的表达模式差异。在八个单细胞多组学数据集上的实验结果表明,scMOG的性能优于现有方法,生成的嵌入能够捕捉到有意义的生物信号。scMOG为整合单细胞多组学数据提供了一个有效的解决方案,提供了一个可扩展的框架,能够保持调控信号。
1 引言
单细胞RNA测序(scRNA-seq)技术的出现提供了单细胞水平的全面细胞图谱,增强了我们对细胞异质性的理解[1-3]。近年来,测序技术的进步产生了多种类型的组学数据,包括转录组、基因组、表观基因组和代谢组。当前的测序技术能够同时测量多个组学层次[4]。例如,单细胞转座酶可及性染色质测序(scATAC-seq)可以检测染色质的可及性,而单细胞染色质可及性和转录组测序(scCAT-seq)可以同时分析转录组和表观基因组[5]。同样,通过测序获得转录组和表位细胞指数(CITE-seq)可以同时分析转录组和细胞表面蛋白表达水平[6]。
scRNA-seq数据的特点是高维度、高稀疏性和高噪声水平[7]。为了解决这些挑战,已经开发了许多分析算法[8, 9]。在下游分析之前,scRNA-seq数据通常需要进行聚类[10]。然而,仅从单一角度分析单细胞数据可能无法全面了解细胞状态。整合多个组学层次可以提供互补的见解[11-13]。例如,蛋白质组数据能够捕获测量过程中与抗体结合的蛋白质,因此通常较少稀疏,有助于识别常见的细胞类型。与scRNA-seq数据相比,scATAC-seq数据包含了更多特定于细胞类型的信息,因为这些信息主要位于增强子区域,而scATAC-seq技术能够有效捕获这些信息[14]。尽管基于单一组学层次的聚类仍然有用,但它可能忽略了细胞内的更广泛的调控相互作用和跨组学依赖性。因此,整合多个组学层次可以为细胞识别提供更全面的方法[15]。随着测序技术的发展,出现了各种多组学整合方法。传统的单细胞多组学整合方法主要分为两类:基于矩阵分解的方法和基于流形对齐的方法。矩阵分解方法,如多组学因子分析(MOFA)[16],采用概率贝叶斯框架通过共享因子矩阵联合分解多组学数据,将主成分分析(PCA)扩展到多组学应用中,同时保持可解释性。耦合NMF [17]将非负矩阵分解应用于单细胞基因组数据,将两个组学矩阵投影到低维空间,并引入一个耦合矩阵来利用基因调控关系建立跨组学线性映射,从而增强特征的一致性。然而,这类线性方法往往难以捕捉复杂的非线性跨组学关系。相比之下,流形对齐方法如MACHER [18]利用高斯过程潜变量模型推断跨组学模态的共享伪时间轨迹,揭示了协调的转录组和表观基因组动态。尽管这些非线性方法更好地模拟了生物复杂性,但它们通常需要更强的先验假设并且计算成本较高。深度学习在跨不同组学的各种计算任务中取得了进展[19-21]。变分自编码器(VAE)[22]已被证明在scRNA-seq批量效应去除[23]方面有效,并且也被广泛用于多组学数据整合。例如,totalVI [24]使用VAE整合配对的转录组和蛋白质组数据,而Cobolt [25]假设跨组学模态存在共享的潜变量来捕获生物信号,使用VAE推断跨组学的细胞嵌入作为潜在表示。DCCA [26]结合VAE和注意力转移来联合建模同一细胞的转录组和表观基因组数据。与DCCA的注意力转移不同,scMIC [27]通过多个协同监督聚类模块增强了潜在嵌入的相似性。然而,这些方法往往忽略了组学特征之间的调控关系,并没有考虑到不同组学的重要性差异,尽管转录组数据的信息内容更为丰富[28]。scDRMAE [29]使用类似于ResNet的架构的并行掩码自编码器[30]在融合过程中保留RNA-seq信息,但忽略了跨特征相互作用。SIMBA [31]是一个通用的单细胞嵌入框架,将细胞和特征嵌入到一个共享的潜在空间中,使得下游分析更加统一。一个关键挑战仍然是通过适当的数据分布模型来解决基因表达和染色质可及性数据的高稀疏性问题。此外,现有方法主要关注学习细胞级嵌入,而忽略了特征嵌入的显式提取,这为下游分析带来了挑战。受之前关于scRNA-seq数据降维[32]和整合[33]工作的启发,我们提出了scMOG,这是一种专门为同时测量同一细胞中的两种模态的数据设计的单细胞多组学整合模型。对于每个组学层次,scMOG采用并行图自编码器架构。利用细胞间的特征表达水平和先前的特征关系,该模型利用基于图神经网络(GNN)的编码器生成高质量的表示,有效融合了特征依赖性。一个组学对齐损失将并行图自编码器连接起来,对相同细胞的低维嵌入进行对齐,同时消除冗余信息。为了解决单细胞数据中的高噪声和稀疏性问题,scMOG估计了特定于模态的分布,以防止编码过程中的信息损失。此外,将对比学习模块集成到每个模态的共享空间中,以增强区分性细胞嵌入。scMOG的各个模块协同工作,以无监督的方式学习细胞表示。我们在真实的单细胞多组学数据集上评估了scMOG,并将其与九种基准方法进行了比较。广泛的实验结果表明,scMOG的性能优于基准方法。
2 结果
本节首先概述了scMOG。为了评估scMOG在整合配对单细胞多组学数据集方面的性能,我们在不同物种和组织的数据集上进行了实验。所有使用的数据集的详细信息可以在表1中找到。通过与九种基准算法的比较,验证了scMOG在整合单细胞多组学数据方面的鲁棒性和可扩展性。评估指标包括调整后的Rand指数(ARI)[34]、标准化互信息(NMI)[35]和准确性(ACC)[36],以及聚类结果可视化[37]。此外,使用均方误差(MSE)和准确性值评估共享空间中特征之间的关系。表1. 所有数据的定量信息。数据集
细胞数量
基因数量
峰值/蛋白质数量
物种
组织/器官
技术
Ma-1
5692
21,478
340,341
小鼠
皮肤
SHARE-seq
Ma-2
5927
21,478
340,341
小鼠
皮肤
SHARE-seq
PBMC-1
11,909
36,601
108,377
人类
PBMC
10x Multiome
PBMC-2
10,137
36,601
139,620
人类
PBMC
10x Multiome
Chen
9190
28,930
241,757
小鼠
皮质
SNARE-seq
Spector
3762
33,538
49
人类
PBMC
10x Multiome
SLN208-1
8715
13,553
209
小鼠
脾脏和淋巴结
CITE-seq
2.1 scMOG概述
假设有个组学层次,每个层次由一个矩阵表示,其中表示细胞数量,表示第个组学的特征维度。基于深度学习的整合方法的目标是找到一个映射函数,将多组学数据投影到一个统一的潜在空间中,数学上可以表示为:
其中是细胞的低维联合表示,是潜在空间的维度。scMOG的工作流程如图1所示。该方法基于图自编码器框架,主要目标是通过整合来自不同组学的信息来获得细胞和特征的有效低维嵌入。在低维空间中,它尽可能保留生物信息,同时保持特征之间的相关性。最终,从基因表达数据得出的细胞低维嵌入用于聚类和可视化,而特征嵌入有助于定量分析保留的转录调控信息和蛋白质-蛋白质相互作用数据。图1
scMOG概述。(A) 输入数据预处理和模块设计。给定原始转录组数据和其他组学数据(表观基因组或蛋白质组),每个矩阵都经过单独的预处理。两个组学层次通过三个关键模块进行交互:图自编码器模块、对比学习模块和组学对齐模块。这些模块使得每个组学层次的细胞和特征表示能够进行无监督学习。(B) 使用LightGCN进行跨组学编码。输入数据使用基于LightGCN的编码器进行编码,其中⊕表示信息聚合过程。在整合基因表达和染色质可及性数据时,一个组学层的特征表示结合了在每个编码层与其具有调控关系的另一个组学层的信息。(C) scMOG的性能评估。通过聚类可视化、差异表达基因的识别和评估指标的计算来评估scMOG的性能。ADT,抗体衍生标签;UMAP,均匀流形近似和投影;ZINB,零膨胀负二项式。scMOG的关键组成部分包括图自编码器、对比学习模块和组学对齐模块,每个模块都起着关键作用。图自编码器中的编码器将细胞和特征编码成低维嵌入,然后使用零膨胀负二项式(ZINB)解码器将其重构回原始数据矩阵。对于每个输入模态,都结合了一个对比学习模块,以确保相似的细胞在共享空间中更接近,而不同的细胞类型则被分开,从而提高整合性能。此外,还引入了一个组学对齐模块来连接不同组学的自编码器,确保相同的细胞在共享空间中保持接近,同时消除跨组学的冗余信息。在后续部分,我们将使用基因表达数据和染色质可及性数据作为例子来说明scMOG的每个模块。
2.1.1 图自编码器
scMOG以预处理的基因表达数据和染色质可及性数据作为输入,其中是预处理细胞的数量,和分别表示预处理基因和染色质可及性区域的计数。基于LightGCN [38]的编码器为细胞生成低维表示:,,以及为特征生成:,,其中是嵌入维度,对于scMOG中的细胞和特征都是相同的。因为异构图直接连接细胞节点和特征节点,每个图卷积都在两种节点类型之间传递信息,确保反映了由塑造的邻域结构,同时整合了编码在中的调控信号。为了重构原始数据,对和以及和应用哈达玛积 [39],然后使用基于ZINB的解码器,估计两个组学层次的分布参数。
2.1.2 对比学习模块
鉴于对比学习在单细胞数据分析中的广泛应用,scMOG结合了对比学习模块来优化细胞的低维表示。对于每个组学数据集,在预处理空间中识别出相互最近邻(MNN)对。这些MNN对被视作正样本对,对于每个正样本对,随机选择一个细胞作为负样本。使用三元组损失进行模型训练,它在scRNA-seq数据整合中的表现已被证明更优越[40]。
2.1.3 组学对齐模块
scMOG中的组学对齐模块旨在通过最大化不同组学层次之间的共享结构来增强细胞表示的一致性。具体来说,计算两个组学的细胞嵌入之间的余弦相似度。鉴于每个组学数据集包含细胞,相似性矩阵与一个维的单位矩阵进行比较,使用MSE。这个目标鼓励相同细胞的嵌入在共享潜在空间中更接近,同时减少模态特定的噪声,从而提高跨组学对齐和表示的一致性。
2.2 转录组和表观基因组的有效整合
为了证明scMOG能够有效整合转录组和表观基因组数据,我们首先在不同的物种和组织的多个真实数据集上进行了实验,涵盖了小鼠和人类的各种生物学背景。在实验中使用的五个数据集中,Ma-1和Ma-2是相对小规模的,PBMC-1和PBMC-2包含超过一万个细胞,属于大规模数据,而Chen数据集则是中等规模。我们将scMOG与八种基准方法进行了比较:scMDC [41]、scMIC [27]、DCCA [26]、Cobolt [25]、PCA、scGAE [42]、SIMBA [31]和scDRMAE [29]。由于totalVI [24]不适用于整合转录组学和表观基因组学数据,因此未将其包括在本次比较中。图2A展示了使用不同算法在Chen数据集上获得的细胞嵌入的均匀流形近似和投影(UMAP)可视化结果,该数据集包含22种细胞类型。scMOG利用LightGCN框架为这两种组学数据生成了细胞表示。我们的实验表明,转录组学细胞表示保留了更多有价值的信息;因此,聚类是使用转录组学嵌入进行的,如表S2所示。可视化结果表明,scMOG有效地整合了转录组学和表观基因组学数据。与其他方法相比,scMOG以及scMDC和DCCA能够成功区分不同细胞类型,并且具有明确的分布。例如,cell types Clau和E5Tshz2通过scMOG可以更好地被区分开来。值得注意的是,专门为scRNA-seq数据设计的scGAE在Chen数据集上区分细胞类型的能力有限,这表明整合多组学数据可以提供更丰富的生物学信息。图2B中的进一步性能评估显示,scMOG在Chen数据集上取得了更好的性能指标(ARI = 0.71,NMI = 0.73,ACC = 0.81)。
图2 打开图形查看器 PowerPoint
对不同算法在Chen数据集上的综合比较。(A) 不同算法获得的细胞嵌入的UMAP可视化结果,颜色表示真实的细胞类型。(B) 不同算法在Chen数据集上计算的ACC、NMI和ARI分数的比较。ACC表示准确性;ARI表示调整后的Rand指数;NMI表示标准化互信息;UMAP表示均匀流形近似和投影。除了Chen数据集,scMOG还在其他四个转录组学和表观基因组学数据集(图S1-S4)上展现了出色的整合能力。它在Ma-1数据集上获得了最高的ARI、NMI和ACC;在Ma-2数据集上获得了最佳的ARI和次佳的NMI和ACC;在PBMC-1数据集上获得了中等的ARI和ACC;在PBMC-2数据集上获得了次佳的ARI以及中等的ACC和NMI(scMOG = 0.74),其中最高的NMI(scMIC = 0.77)仅略高一些。此外,scMOG的聚类可视化结果有效地分离了大多数细胞,最小化了簇间混合(图S1-S4),进一步证明了其在各种生物学场景中的适应性和强大性能。总之,这些实验结果证实了scMOG能够有效地整合转录组学和表观基因组学数据。
2.3 转录组学和蛋白质组学的有效整合
为了验证scMOG在整合转录组学和蛋白质组学数据方面的有效性,我们在来自不同物种和组织的三个数据集上进行了实验,包括小鼠和人类的样本。由于DCCA [26]和Cobolt [25]不适用于整合转录组学和蛋白质组学数据,我们将scMOG与其他七种方法进行了比较:scMDC [41]、scMIC [27]、totalVI [24]、PCA、scGAE [42]、SIMBA [31]和scDRMAE [29]。图3A展示了使用不同算法在Spector数据集上获得的细胞嵌入的UMAP可视化结果,该数据集包含16种细胞类型。如图所示,scMOG有效地整合了蛋白质组学和转录组学数据。与其他基准方法相比,scMOG在细胞类型分离方面表现出色,清晰地显示了细胞群体之间的结构差异。特别是,scMOG在区分细胞类型4和细胞类型5时表现更为显著。专门用于scRNA-seq数据的scGAE在Spector数据集上区分细胞类型的能力有限。图3 打开图形查看器 PowerPoint
对人类PBMC数据集上不同算法的综合比较。(A) 不同算法获得的细胞嵌入的UMAP可视化结果,颜色表示真实的细胞类型。(B) 不同算法在人类PBMC数据集上计算的ACC、NMI和ARI分数的比较。ACC表示准确性;ARI表示调整后的Rand指数;NMI表示标准化互信息;UMAP表示均匀流形近似和投影。图3B中显示的评估指标进一步突出了scMOG的优势。与其他方法相比,scMOU在所有三个指标上均取得了最佳性能:ACC(scMOG = 0.69)、NMI(scMOG = 0.71)和ARI(scMOG = 0.58),表明其在整合多组学数据方面的有效性。尽管scDRMAE也取得了类似的性能(ACC = 0.68,NMI = 0.70,ARI = 0.56),但scMOG与排名第三的方法之间的差距显著较大(totalVI-ACC = 0.64,scMDC/scMIC-NMI = 0.69,scMDC-ARI = 0.51)。除了Spector数据集外,scMOG还在两个小鼠脾脏和淋巴结数据集中展示了强大的跨组学整合能力。如图S5和S6所示,scMOG有效地捕获了这些数据集中的跨组学信息,获得了最高的ACC、NMI和ARI分数。此外,我们在图S7中提供了一个带有组学标签的UMAP可视化结果,两者都显示scMOG产生的跨组学分布比原始嵌入更加混杂。这些结果进一步证实了scMOG在对齐转录组学和蛋白质组学数据方面的强大能力。
2.4 保持基因与染色质区域之间的调控关系
转录增强子作为远端DNA调控元件,在基因表达调控中起着关键作用[43, 44]。scMOG采用了基于LightGCN的编码器,不仅学习了两种组学的细胞嵌入,还捕获了特征嵌入。我们将scMOG与SIMBA进行了比较,后者也学习了细胞和特征的嵌入,以评估它们在保持基因与染色质区域(也称为“峰值”)之间调控关系方面的能力。基因-峰值关联的评估依赖于基因组注释和基于邻近性的输入图构建,因此MSE指标主要反映了模型保持这些先验信息的关联的能力。我们对基因表达和染色质可访问性矩阵进行了预处理,并据此进行了比较。具体来说,PCA50表示PCA预处理后保留的50个主要成分,而PCA64保留了64个主要成分,分别对应于SIMBA和scMOG学习的低维嵌入的维度。通过计算基因-峰值相似性矩阵(详见注释S2和第4.2节),并与其从基因组注释中导出的基因-峰值关联矩阵进行比较,我们评估了不同方法在保持基因-峰值相关性方面的性能。较高的基因-峰值相似性值表明对真实调控关系存在的信心水平更高。为了定量评估相似性,我们采用了MSE作为评估指标。计算得到的基因-峰值相似性矩阵与真实基因-峰值关联矩阵之间的MSE较低,表明在维持真实基因-峰值关系方面表现更好。我们在包含表观基因组数据的五个多组学数据集上进行了实验,MSE结果如图4A和图S8所示。结果表明,与直接预处理相比,scMOG的MSE更低。尽管在PBMC-1和PBMC-2数据集上其MSE略高于SIMBA,但在其他三个数据集上scMOG的表现更好。这表明scMOG学习了生物学上有意义的基因和峰值嵌入,并在推断调控关系方面具有优势。图4 打开图形查看器 PowerPoint
不同方法在保持转录调控和蛋白质-蛋白质相互作用信息方面的综合比较。(A) 使用不同方法在Ma-1、Ma-2和Chen数据集上计算的均方误差(MSE)值。(B) 使用不同方法在SLN208-1、SLN208-2和Spector数据集上计算的准确性值。缺失值表示相应方法无法计算相应的指标。通过比较MSE值,进一步验证了scMOG在保持基因-峰值调控关系方面的优越性,并突出了其在整合分析中的有效性。
2.5 保持蛋白质对之间的相似性
细胞内信号响应和蛋白质调控机制对生物学研究和临床应用至关重要。准确预测蛋白质-蛋白质相互作用(PPIs)有助于揭示基本的生物学功能[45]。蛋白质相互作用通常依赖于蛋白质之间的结构相似性或功能相关性[46]。因此,计算蛋白质相似性可以作为一种间接方法来推断潜在的相互作用。由于scMOG在处理包含蛋白质组学数据的多组学数据时可以获得蛋白质嵌入,我们利用这些嵌入来识别相互作用的蛋白质对。具体来说,我们首先预处理蛋白质名称,以确保实验数据与STRING数据库中记录的真实蛋白质名称一致。为了确保公平比较,我们取所有方法预处理后保留的蛋白质的交集。然后,基于过滤后的蛋白质嵌入,我们构建所有可能的蛋白质对,并计算每对之间的相似性。通过将这些相似性值按降序排序,我们关注最高2%的高相似性蛋白质对。然后将这些高度相似的蛋白质对与STRING数据库中已知的相互作用进行比较,以评估不同特征嵌入的预测性能。我们在三个包含蛋白质组学的数据集上进行了实验,并将scMOG与SIMBA、PCA50和PCA64进行了比较。通过识别最高2%的高相似性蛋白质对,并将它们与STRING数据库中已知的相互作用进行比较,我们评估了学习到的嵌入的预测能力。在Spector数据集上,scMOG成功识别出了SIMBA未能检测到的相互作用蛋白质对,例如CD28和SELL。在STRING数据库中的进一步研究表明,CD28和SELL都与KEGG通路HSA04514(细胞粘附分子)相关。同样,在SLN208-1数据集上,scMOG识别出了SIMBA未能检测到的相互作用蛋白质对ITGAL和TNFRSF9。进一步分析显示,这对蛋白质对与Mammalian Phenotype Ontology(Monarch)中的生物表型显著相关。在SLN208-2数据集上,scMOG识别出了SIMBA未检测到的(Ccr4, Ms4a1)作为相互作用蛋白质对。根据STRING数据库,这对蛋白质对在MMU-202733通路中富集,该通路与血管壁上的细胞表面相互作用相关。关于性能指标,图4B显示scMOG在Spector和SLN208-1数据集上的准确率得分高于SIMBA,而在SLN208-2数据集上的准确率与SIMBA相当,进一步证实了scMOG学习的蛋白质嵌入的生物学相关性。通过这个实验,我们验证了scMOG在多组学数据整合中的优势。
2.6 差异表达分析
我们使用非参数Wilcoxon秩和检验确定了每个细胞簇中的差异表达基因(DEGs)。这些基因可以作为特定细胞类型的标记基因。我们从每个簇中选择了前三个DEGs并可视化了它们的表达模式。图S9A中的气泡图展示了从PBMC-2数据集中识别出的DEGs在不同簇中的表达水平。每个气泡的大小代表在给定簇中表达该基因的细胞比例,而颜色表示簇内的平均表达水平。我们使用CellMarker数据库[47]分析了这些DEGs,发现scMOG预测的细胞簇保持了真实的差异表达模式,有助于细胞类型注释。例如,在簇8中识别的GNLY和NKG7是自然杀伤细胞的知名标记基因。在簇2中,LEF1、FHIT和CAMK4是幼稚CD8+ T细胞的标记基因,而在簇7中识别的TCF7L2和PSAP是CD1C-CD141-树突细胞的标记基因。尽管有些基因与CellMarker数据库中的已知DEGs不匹配,但可视化显示某些基因在特定簇中高度表达。如图S9B所示,A2M、BANK1和RALGPS2在特定的细胞簇中表现出强烈的表达,表明它们作为新型标记基因的潜力。这些DEGs的识别为理解细胞群体的异质性和潜在的基因调控机制提供了重要见解。
2.7 消融研究和超参数分析
为了评估scMOG中不同模块的贡献,我们进行了消融研究,包括用MLP替换编码器、移除对比学习模块和移除组学对齐模块。在用MLP替换编码器的实验中,我们保持了所有其他参数和网络结构不变,确保编码器仍然是两层网络。在移除对比学习模块和组学对齐模块时,我们从损失函数中移除了相应的损失项,同时保持模型架构不变。我们在本研究中使用的八个多组学数据集上进行了实验,并将评估指标以箱形图的形式进行了可视化(图5)。结果表明,完整的scMOG模型在ARI、NMI和ACC方面取得了最佳性能,验证了编码器、对比学习模块和组学对齐模块在数据整合中的重要性。如图5A所示,当编码器被替换为MLP时,scMOG的性能显著下降,这证实了基于LightGCN设计的编码器对模型的优越性有贡献。图5在图形查看器中打开PowerPoint。
消融实验的箱线图以及计算时间和内存使用的折线图。(A)箱线图展示了消融实验的结果。每个箱线图代表一个特定的评估指标,其中蓝色箱子表示移除了对比学习模块,橙色箱子表示移除了组学对齐模块,绿色箱子表示用MLP替换了编码器,红色箱子表示包含所有模块的完整版本的scMOG。每个箱子包含了从本研究中使用的八个数据集中计算出的指标值。(B)计算时间和内存使用的折线图。左侧图表显示了scMOG和比较算法在八个数据集上的计算时间,而右侧图表显示了它们的内存消耗。ACC表示准确率;ARI表示调整后的Rand指数;NMI表示标准化互信息。为了评估scMOG在不同超参数设置下的性能,我们在八个数据集上进行了实验。首先,对于每个数据集,我们固定了组学对齐模块的损失率和聚类分辨率,保持所有其他超参数不变,并测试了不同的对比学习损失率。如图S10A所示,scMOG的默认设置(cl_ratio = 1)获得了最高的ACC、NMI和ARI。接下来,对于每个数据集,我们从上一步中选择了最佳的对比学习损失率,保持所有其他超参数不变,并测试了不同的组学对齐模块损失率。如图S10B所示,scMOG的默认设置(alignment_ratio = 1)在所有八个数据集中一致地获得了最高的平均ACC、NMI和ARI。最后,使用在前一步中获得的最佳对比学习损失率和组学对齐模块损失率,同时保持其他超参数不变,我们测试了各种Louvain聚类分辨率。如图S10C所示,在默认设置(resolution = 0.6)下,scMOG在所有八个数据集中一致地获得了最高的平均ACC、NMI和ARI。总之,消融实验结果突出表明,基于LightGCN的编码器、组学对齐模块和对比学习模块的组合对于scMOG在多组学数据整合中的优越性能至关重要。超参数分析进一步证明,scMOG在其默认超参数设置下表现最佳,验证了模型的鲁棒性和稳定性。
2.8 计算时间和内存使用
我们将scMOG的运行时间和内存消耗与其他九种方法在八个真实数据集上进行了比较。这些数据集包括来自小鼠和人类的细胞类型注释,具体来说,Ma-1、Ma-2、PBMC-1、PBMC-2、Chen、Spector、SLN208-1和SLN208-2(表1)。这些数据集在规模和复杂性上有所不同,细胞数量从3000到超过10,000不等。在各种规模的数据集中,scMOG在计算时间方面通常排名在中等到较低的范围,显示出效率。值得注意的是,在处理Mouse Skin 1和Mouse Skin 2数据集时,scMOG所需的计算时间明显少于其他几种方法,如scGAE和DCCA,表明了它在这些数据集上的计算效率。对于像human PBMC 10K和human PBMC这样的大型数据集,scMOG的计算时间略有增加,但仍然保持在适度水平,没有出现急剧上升。这进一步证实了scMOG可以高效处理大规模数据集,同时避免过多的计算开销。关于内存使用,scMOG具有相对较高的峰值内存消耗,但与其他基于深度学习的方法处于同一数量级。在像human PBMC 10K和human PBMC这样的大型数据集上,scMOG的内存消耗增加,这与大规模数据处理的特性相符。尽管scMOG在内存使用上排名第二高,但其内存消耗仍然低于另一种基于深度学习的方法scDRMAE。尽管内存使用较高,但scMOG仍然处于可接受的范围之内,对于大多数数据集而言,其内存消耗与其他方法相比是合理的。对于计算资源有限的情况,我们建议在较小的子图上训练scMOG,这样可以有效减少内存开销并加速训练,优化内存使用同时保持高性能。总体而言,scMOG在计算时间和内存效率之间取得了平衡,在处理大规模多组学数据集时表现出高效率和稳定性。尽管其内存消耗相对较高,但其计算效率和可扩展性使其成为一个可行的选择,特别是对于需要高整合性能的研究。
3 讨论与结论
本研究提出了scMOG,这是一种基于异构图神经网络(GNN)架构的方法,该架构结合了细胞节点和分子特征节点之间的跨模态信息,以准确地描绘成对组学样本(转录组学和表观基因组学、转录组学和蛋白质组学)的细胞异质性景观。scMOG在自编码器框架内建模了组学层之间的复杂关系,同时保留了生物学上有意义的低维表示。它结合了对比学习模块和组学对齐模块,有效地捕捉了组学层之间的共享模式,同时保持了层特定的特征。与仅生成集成细胞表示的传统方法不同,scMOG实现了组学之间的双向指导,使其能够感知特征之间的相关性。实验结果表明,scMOG不仅在细胞聚类和可视化方面表现出显著优势,而且在捕捉内在的跨组学调控和特征相关性方面也有优势,为识别潜在的标记基因和支持深入的生物学洞察提供了坚实的框架。首先,从整体架构的角度来看,scMOG在细胞和特征之间构建了一个异构图,明确模拟了不同组学层之间的潜在交互作用。传统方法通常依赖于矩阵分解或流形对齐等技术,这些技术在平衡多组学数据的异质性和互补性方面存在困难。相比之下,scMOG使用GNN编码器(图1B)来捕捉细胞和分子特征之间的拓扑关系。通过利用多层卷积和加权求和,scMOG有效防止了过度平滑,从而获得了更具区分性的低维嵌入。其次,该模型通过结合Hadamard积和ZINB解码器来解决数据稀疏性问题。ZINB损失函数限制了重建结果,以保持与真实数据分布的高度一致性。此外,scMOG结合了带有三元组损失函数的对比学习模块,将相似的细胞在低维空间中拉得更近,同时将不同的细胞推开。实验结果(图5A)显示,这种对比学习机制显著提高了模型的性能。此外,scMOG采用的组学对齐模块能够适应性地加强共享的跨组学结构,确保共享空间中的特征忠实代表了细胞的本质共性。在八个真实数据集上的实验结果进一步验证了scMOV的优越性。在整合转录组学和表观基因组学时,scMOG能够有效地分离不同类型的细胞,并具有清晰的边界。此外,聚类性能指标表明,scMOG在大多数数据集上优于现有的方法,如PCA、scGAE和DCCA。在整合转录组学和蛋白质组学的任务中,scMOG也表现出出色的性能。对蛋白质嵌入的进一步分析显示,scMOG成功识别了STRING数据库中已知的关键相互作用蛋白质对,为后续的细胞信号通路分析和分子机制研究提供了重要支持。此外,为了全面评估每个模块对scMOG整体性能的贡献,我们进行了详细的消融研究(图5A)。在这些实验中,我们用简单的MLP替换了编码器,移除了对比学习模块,以及移除了组学对齐模块,每种方式都导致了性能的显著下降。这些结果表明,基于LightGCN的编码器在捕捉细胞和特征之间的拓扑关系中起着关键作用。此外,对比学习模块和组学对齐模块对于增强模型的鲁棒性和优化低维嵌入也是必不可少的。通过这些模块的协同作用,scMOG实现了高效的信息融合,为生物功能的发现提供了更可靠的基础。尽管scMOG在实验中表现出强大的集成能力,但仍存在一些需要进一步改进的局限性。首先,scMOG是专门为细胞对细胞的多组学数据设计的,因为组学对齐模块依赖于细胞级别的对应关系来计算跨组学的相似性。然而,真正成对的单细胞多组学数据集仍然相对稀缺、成本高昂,并且在技术上难以获得。这限制了scMOG在更广泛的单细胞研究中的直接应用。在未来的工作中,我们计划探索scMOG的扩展应用,例如通过结合MNN匹配策略来近似跨组学细胞对应关系。这样的适应可能会扩展scMOG在更现实实验设置中的适用性。其次,在处理大规模单细胞数据集时,scMOG表现出较高的内存消耗(图5B),这在资源有限的计算环境中可能带来挑战。为了解决这个问题,未来的工作可以探索子图采样、稀疏矩阵计算和其他技术来减少内存使用和提高计算效率。第三,尽管scMOG在转录组学、表观基因组学和蛋白质组学整合方面表现良好,但其对其他组学层的泛化能力仍有待测试。在未来的工作中,我们将扩展scMOG,并探索使用针对每种模态的解码器,以在更复杂的场景中保持有效的信息融合。
4 材料与方法
在本节中,我们将详细描述scMOG的基本架构,包括数据预处理、图自编码器、对比学习模块和组学对齐模块。此外,我们还将解释实验设置。
4.1 数据预处理
我们使用Scanpy包[40]来预处理多组学数据。对于基因表达数据,我们首先过滤掉在少于三个细胞中表达的低质量基因。接下来,我们根据每个细胞的库大小对数据进行标准化,然后进行对数转换。最后,我们选择前3000个高变异基因作为输入。对于染色质可及性数据,scMOG采用潜在语义索引(LSI)算法[48, 49]进行预处理。同样,我们选择前3000个高变异的染色质区域作为输入。为了构建对比学习所需的正样本对,我们对基因表达数据应用PCA进行降维,并对染色质可及性数据使用“LSI”函数进行降维。基准方法的预处理步骤详细列在表S3中。
4.2 图构建
为了表示不同组学中细胞和特征之间的关系,scMOG使用GNN作为编码器。基于预处理后的数据矩阵,构建了一个二分图,如下所示:,,其中代表第i个组学中的细胞集合,代表第i个组学中的特征集合(基因、染色质区域或蛋白质),代表第i个组学的邻接矩阵。对于第i个组学,其邻接矩阵如下构建:
(1)其中和是零矩阵。矩阵捕获了细胞和特征之间的关系,定义如下:
(2)
总结来说,对于每个组学层,我们构建了一个不同的异构图,表示为,其中节点代表细胞和特征,边代表它们之间的关系。在整合基因表达和染色质可及性数据的情况下,scMOG遵循单细胞多组学整合方法SIMBA[31],在基因和峰值之间构建邻接矩阵。根据人类(hg38)和小鼠(mm10)的基因注释,如果一个峰值区域与基因体重叠或位于基因体上游5kb以内,则该峰值区域被视为基因表达的潜在调控元素。然后定义邻接矩阵如下:
4.3 图编码器
假设我们已经获得了两个组学的异构图,并使用GNN从图中提取细胞和特征的表示。首先,我们初始化第i个组学中细胞和特征的嵌入分别为和。为了提高工作流程的清晰度,我们使用进行基因的初始嵌入,使用进行峰值的初始嵌入。通过网络训练更新初始嵌入。第层的卷积计算如下:
同样,特征嵌入更新如下:
通过应用层数层卷积,我们获得了每个组学中细胞和特征的的低维嵌入集合。为了减轻卷积操作导致的过度平滑现象,并提升编码器提取信息的能力,我们对这些嵌入值应用加权求和来获得最终的嵌入结果。计算过程如下表示:
(7)
(8)
其中 表示单元格的最终嵌入, 表示特征的最终嵌入。 和 都是网络中的可学习参数。重要的是,单元格和特征的嵌入并不是独立学习的,它们是在相同的GNN编码器内,并在相同的训练目标下共同优化的。
4.4 编解码器
为了增强编码器的编码能力并在低维嵌入中保留更多的生物学信息,scMOG采用了ZINB解码器来重构异构图。ZINB分布的定义如下:
(9)
其中 是ZINB分布的三个参数,分别代表均值、方差和零膨胀因子。 表示狄拉克δ函数, 表示NB分布的概率质量函数,由以下公式给出:
(10)
scMOG中使用的ZINB解码器融合了NMF的思想。对于每个组学层,首先对单元格嵌入和特征嵌入应用哈达玛积(Hadamard product),如公式(11)所示。然后,使用三个全连接网络来估计ZINB分布的三个参数,如公式(11)所描述:
(11)
其中 和 分别代表缩放因子。可学习的权重矩阵分别为 , 和 。此外, , 和 也是可学习的偏置。
4.5 对比学习模块
为了促进多组学数据的整合,同时保留每个组学的独特特征,scMOG采用对比学习来提取细胞和特征的低维嵌入。具体来说,在预处理之后,数据矩阵 和 分别通过PCA和“LSI”函数进行降维。在处理后的空间中,使用KD树算法[50]来找到每个组学的k最近邻。如果在第t个组学中,细胞 和 细胞 是k最近邻,它们构成一个MNN对。每个组学内的所有MNN对构成了正样本集合。对于每个MNN对,随机选择一个细胞作为负样本,形成三元组集合。对比学习模块使用以下公式定义的三元组损失函数:
(12)
其中 是一个超参数。如果锚点与正样本之间的距离加上一个边距超过了锚点与负样本之间的距离,则损失值不为零。通过优化这个损失函数,模型可以学习在嵌入空间中将相似的细胞拉得更近,同时将不相似的细胞分开。
4.6 组学对齐模块
上述每个组学的自动编码器结构是并行运行的,并需要模块之间的连接。尽管不同的组学提供了互补的生物学信息,但从不同组学层得到的同一细胞的表示应在共享的嵌入空间中保持一致。为了增强组学间的连贯性并确保匹配的细胞在潜在空间中对齐,scMOG引入了一个组学对齐损失,其定义如下:
(13)
其中 是对角线元素为1、其他元素为0的单位矩阵。 和 分别表示转录组数据和表观基因组数据的细胞表示。
4.7 损失函数
为了降低训练过程中的内存消耗,scMOG通过保留单元格和特征节点之间存在的10%的边来对每个组学的异构图进行采样。这些采样的边作为输入传递给ZINB解码器。scMOG为每个组学使用协作图自动编码器,通过最小化负对数似然函数来训练网络。第t个组学的重建损失公式如下:
(14)
整体重建损失由以下公式给出:
(15)
其中 表示第t个组学中第t个细胞的第t个特征的观测计数值,表示采样边的总数。为了减少过拟合,scMOG引入了一个正则化项 来约束单元格嵌入和特征嵌入的初始化。第t个组学的正则化项在公式(16)中定义,总正则化损失在公式(17)中给出:
(16)
(17)
其中 和 分别表示第t个组学中单元格和特征的初始嵌入,表示弗罗贝尼乌斯范数(Frobenius norm)。对比学习模块的总损失在公式(18)中定义。因此,scMOG的整体损失函数由公式(19)给出:
(18)
(19)
其中 , 和 是用于平衡不同损失项的超参数。
4.8 实现细节
我们使用Python 3.9.17环境和PyTorch 1.13.1实现scMOG,所有实验都是在Linux系统上进行的。scMOG可以同时接受转录组学和表观基因组学数据,或者转录组学和蛋白质组学数据作为输入。在数据预处理过程中,将高变异特征的个数设置为3000个。自动编码器的编码层配置为(3000, 64, 64),共享空间维度设置为64。ZINB解码器首先应用哈达玛积操作,将特征维度从64降低到1。转录组数据在PCA空间中寻找k最近邻,PCA维度设置为50,k最近邻的数量设置为20。对比学习在每次迭代中选择10%的MNN对来计算对比损失,对比损失的超参数设置为2。总损失通过超参数 , 和 来平衡,其中 和 都设置为1, 设置为0.0001。使用Adam优化器[51]进行训练,学习率为0.1。我们使用Louvain[52]算法进行聚类。当输入包括转录组学和表观基因组学数据时,分辨率设置为0.6;否则,分辨率设置为1.0。所有的对比计算都遵循相应引用论文中的实现方式,超参数根据它们的默认配置进行设置。由于scMOG在不同数据集上的表现始终良好,我们建议用户使用默认参数执行scMOG。
4.9 数据来源
本研究使用了八个带有细胞类型注释的真实数据集,这些数据集来自小鼠或人类,可以通过GSM编号下载或从10x Genomics获取。具体来说,数据集Ma-1和Ma-2由Ma等人[53]提供。数据集PBMC-1 [31]、PBMC-2 [54]和Spector [41]均来自10x Genomics。Chen数据集来源于Chen等人[55]提供的鼠表皮数据。此外,数据集SLN208-1和SLN208-2由Gayoso等人[24]提供。
作者贡献
陆玉成:方法学;数据整理;形式分析;撰写——原始草稿;撰写——审阅和编辑。
张迅:数据整理;形式分析。
李宏伟:监督;概念化;资金获取;资源协调。
致谢
本研究部分得到了国家自然科学基金(项目编号42374174和42274172)的支持。
利益冲突声明
作者声明没有利益冲突。
伦理声明
本文不包含任何作者进行的涉及人类或动物材料的研究。
数据可用性声明
源代码可在GitHub网站(luyucheng01/scMOG_master)上获取。
生物通微信公众号
生物通新浪微博
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