《Journal of Computational Science》：Cross-domain integration of transcriptomic modalities through graph neural networks
编辑推荐：
摘要结合批量和单细胞RNA测序技术能够全面分析基因表达情况以及细胞异质性。现有方法大多依赖统计模型和人工设计的特征，往往无法捕捉转录组数据的层次复杂性，也无法处理不同检测方式之间的差异。本研究提出了一种半监督框架，该框架整合了领域特定的多层感知器编码器、图神经网络以及分类模块。该
摘要
结合批量和单细胞RNA测序技术能够全面分析基因表达情况以及细胞异质性。现有方法大多依赖统计模型和人工设计的特征，往往无法捕捉转录组数据的层次复杂性，也无法处理不同检测方式之间的差异。本研究提出了一种半监督框架，该框架整合了领域特定的多层感知器编码器、图神经网络以及分类模块。该框架在潜在空间内构建k最近邻图，并通过基于图的信息传递机制实现样本间信息传播，从而整合批量和单细胞的表示方式。在合成数据集上的实验表明，所提出的方法能够学习到结构化的潜在表示，并展现出出色的预测性能。虽然在完全有监督的场景中较简单的模型也可能表现良好，但基于图的组件能够优化潜在空间的结构，在标记数据有限的情境下具有优势。尽管目前的评估仅限于模拟数据，但这些结果仍体现了基于图的方法在整合不同类型转录组数据方面的潜力。未来的研究将致力于在真实数据集上验证该框架，并探索具有生物学依据的图构建策略。
引言
近年来，转录组分析已成为理解复杂生物现象及人类疾病背后分子机制的强大工具[1]、[2]、[3]、[4]。得益于下一代测序技术的发展，RNA测序技术的出现极大提升了高分辨率、高精度地量化基因表达的能力[5]。这一进展不仅加深了我们对基因调控和细胞功能的理解，还为识别与疾病相关的生物标志物以及在不同生物学背景下——包括发育过程、免疫反应和癌症中——解析转录程序提供了重要手段[6]、[7]。
RNA测序可以在不同分辨率层面开展。批量RNA测序可以量化数千个细胞中的平均基因表达水平，从而呈现某一特定时间点的转录组概况。然而，由于是对细胞群体中的信号进行平均处理，批量RNA测序会掩盖细胞间的特异性差异，也可能使那些虽占比不高但功能重要的亚群以及各类细胞类型的贡献被忽视[8]、[9]。相比之下，单细胞RNA测序则是一种能够分析单个细胞基因表达谱的技术。这种高分辨率方法有助于识别复杂组织中的细胞异质性，进而揭示单个细胞的具体功能和状态。正因如此，单细胞RNA测序在发育生物学和肿瘤学领域尤为重要，因为细微的转录差异就可能导致重大的功能后果[3]、[10]、[11]。不过，单细胞分析技术在操作上要求较高，成本高昂且计算量大，这限制了其在大规模研究中的应用。
批量RNA测序和单细胞RNA测序各自存在的优缺点推动了整合分析方法的发展[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19]。通过整合分析，可以更全面地了解组织构成和细胞功能，优化批量转录组谱型，同时发现与特定表型相关的细胞亚群。尽管近期研究强调了整合分析的潜力，但目前大多数方法仍然基于传统的统计建模和人工设计的特征选择策略。虽然这些方法能提供一定信息，但在捕捉转录组数据的层次化和非线性结构方面存在局限[20]、[21]，而且很少运用那些能够同时处理批量和单细胞数据的现代表示学习框架。
深度学习已经通过捕捉高维数据中的复杂关联关系，改变了生物医学研究的诸多领域，从医学成像到药物发现以及患者分群等均受益匪浅[22]、[23]。在此基础上，尤其是图神经网络这类深度学习框架，能够更精准地挖掘不同转录组数据之间的关系，从而实现具有生物学意义的全面整合[24]、[25]、[26]、[27]。
为应对上述挑战，本研究提出了一种半监督框架，该框架整合了领域特定的自编码器、图神经网络以及分类模块，旨在共同处理批量和单细胞转录组数据，同时缓解不同检测方式之间的差异。该方法通过表示学习和基于图的信息传递机制，使不同检测方式得到的嵌入向量对齐，并实现样本间信息传递，进而提升表型预测的准确性，帮助发现生物标志物，同时更深入地了解细胞异质性。
章节节选
单细胞RNA测序与批量RNA测序数据的整合
将单细胞RNA测序与批量RNA测序相结合，已成为一种广泛应用的策略，可用于提升转录组分析的深度，尤其是在癌症等复杂疾病的研究中。
在Tan等人的研究中[8]，研究者将批量和单细胞转录组数据结合起来，构建了用于膀胱癌预后的模型。他们找出了核心细胞群体中的标志基因、差异表达基因，以及关键基因组中的相关基因
方法论
所提出的模型由三个主要部分组成：领域特定的编码器、基于图的整合模块以及分类头（见图1）。其中两个多层感知器编码器分别用于处理批量数据和单细胞数据，它们能够将高维的基因表达谱映射到低维的潜在空间中。这样的设计使得每个数据类型能够在整合之前先学习出自身的表示方式。之后，这些生成的潜在嵌入向量会由图神经网络进行处理[35]
结果
首先，为了评估该模型框架的潜力，我们在模拟数据集上进行了测试，这些数据集的设计风格与实际观测到的批量和高通量单细胞RNA测序数据分布相似。这些数据集被标注为三类（0、1和2），我们利用它们来展示模型的分类性能。虽然这些都是模拟数据实验，但它们能够初步评估该模型整合不同来源数据并提取结构化信息的能力
讨论
本研究的结果为所提出的用于整合批量和单细胞转录组数据的框架提供了初步评估。该模型在模拟数据集上展现了较强的预测性能，而消融实验也明确了各个组件的作用。值得注意的是，在完全有监督的场景中，基于图的模块并不总是比更简单的架构表现更好。具体而言，基于多层感知器的模型往往能够达到与之相当甚至更高的预测效果
局限性及未来工作
这项研究存在一些局限性需要加以说明。首先，目前的评估仅基于模拟数据，而这些数据可能无法完全体现真实转录组数据所具有的复杂性和多样性。其次，图结构是根据学习得到的潜在空间构建的，这可能会导致关系建模更偏向于几何相似性，而非具有生物学意义的相互作用。因此，所构建的图在多大程度上反映了真实的生物学关系仍有待进一步探讨
结论
总体而言，这些研究结果表明，基于深度学习的图整合方法为在统一的潜在空间中整合批量和单细胞转录组数据提供了一种极具前景的思路。虽然在完全有监督的场景中，较简单的模型也能实现良好的预测性能，但所提出的基于图的架构能够更好地组织潜在空间，促进样本间信息的共享。尤其是将基于图的信息传递机制与领域知识相结合的方式
CRediT作者贡献声明
Barbara Puccio：写作——审阅与编辑，写作——初稿撰写，可视化，验证，监督，软件开发，方法设计，正式分析，概念构思。Pietro Hiram Guzzi：写作——审阅与编辑，写作——初稿撰写，可视化，验证，监督，软件开发，正式分析，概念构思。
利益冲突声明
作者声明不存在任何已知的、可能影响本文研究结果的财务利益关系或个人关系。
致谢
Barbara Puccio的博士奖学金得到了Relatech S.p.A.以及欧盟下一代计划：意大利PNRR项目，第4项任务，第2部分，投资1.5的支持，该资金用于打造“创新生态系统”，培育“区域研发领军企业”（根据2021/3277号行政法令）——相关项目名为Tech4You：用于气候变化适应与生活质量提升的技术，项目编号为ECS0000009。
Barbara Puccio|Pietro Hiram Guzzi|Stefania Scalise|Raffaele Covello|Elvira Immacolata Parrotta|Pierangelo Veltri
意大利卡坦扎罗市马格纳·格拉埃西亚大学外科与医学科学系
