《SCIENCE ADVANCES》：HiC2Self: Self-supervised denoising for bulk and single-cell Hi-C contact maps
编辑推荐：
Hi-C是一种用于研究三维（3D）基因组组织的染色体构象捕获（chromosome conformation capture）检测技术。单细胞Hi-C技术目前已能够检测单个细胞内的3D染色质组织，但此类方法常受限于低覆盖度文库与数据稀疏性问题。在此，研究人员提
Hi-C是一种用于研究三维（3D）基因组组织的染色体构象捕获（chromosome conformation capture）检测技术。单细胞Hi-C技术目前已能够检测单个细胞内的3D染色质组织，但此类方法常受限于低覆盖度文库与数据稀疏性问题。在此，研究人员提出HiC2Self，一种仅需低覆盖度数据作为输入的自监督框架，用于对Hi-C接触矩阵进行去噪。HiC2Self能够从批量文库中重建拓扑关联域（topologically associating domains，TADs）与显著环（significant loops）等关键结构，包括细胞类型特异性的Hi-C结构，且不存在监督模型所面临的泛化难题。HiC2Self还能够在1千碱基（1-kilobase，kb）分辨率下从Micro-C数据中准确重建显著环。当应用于单核甲基-3C（single-nucleus methyl-3C，sn-m3C）数据时，HiC2Self仅需少至50个细胞，便可在10千碱基（10-kilobase，kb）分辨率下成功重建特定基因周围的局部TAD结构。最后，HiC2Self能够在同种细胞类型的单个细胞中，以50千碱基（50-kilobase，kb）分辨率检测单细胞结构。因此，HiC2Self为批量、伪批量（pseudobulk）与单细胞3D接触矩阵的去噪提供了一套通用工具，以支持下游分析。
论文《HiC2Self: Self-supervised denoising for bulk and single-cell Hi-C contact maps》发表于《SCIENCE ADVANCES》，针对三维基因组研究中Hi-C及单细胞Hi-C数据因测序深度不足导致的高噪声与稀疏性问题，提出了一种基于自监督学习的去噪框架HiC2Self，旨在在不依赖高覆盖度配对数据的前提下实现接触矩阵的结构重建与信号增强。
研究背景方面，Hi-C作为耦合二代测序的全基因组染色体构象捕获技术，通过构建基因组片段间的接触矩阵揭示三维基因组组织特征，不同分辨率下可识别A/B区室（兆碱基尺度）、拓扑关联域TAD（10～50 kb）及显著环（5～10 kb）等结构，精细分辨率对于解析增强子-启动子互作及发育动态至关重要。然而，构建高分辨率矩阵需高复杂度深测序，成本高昂且低覆盖度数据稀疏噪声大；单细胞Hi-C虽能解析细胞间3D结构异质性，但单细胞和伪批量水平同样受数据稀疏限制，常需极低分辨率或海量细胞聚合。现有基于卷积神经网络CNN、生成对抗网络GAN的监督去噪模型（如HiCPlus、HiCNN、hicGAN、DeepHiC、HiCSR、HiCARN）需配对高低覆盖度数据训练，面临泛化差、预处理复杂及超高分辨率与单细胞高分辨真实矩阵缺失等挑战；已有自监督方法如DeepLoop流程复杂且主要聚焦环检测，Higashi等基于超图表示学习需全基因组信息且难以低成本解析局部基因区域细胞间变异。为此，研究人员开展本研究，提出简洁高效的自监督框架HiC2Self以统一解决批量、Micro-C及单细胞Hi-C去噪与结构重建问题。
关键技术方法上，研究人员采用来自ENCODE与GEO的公开数据集，包括GM12878、K562、CH12.LX的批量Hi-C，H1与mESC的Micro-C，以及人前额叶皮层与海马sn-m3C-seq单细胞多组学数据；模型以低覆盖度原始计数接触矩阵为输入输出，先对log变换后矩阵做奇异值分解SVD取前n=1…4特征值重构作为多通道增强输入，采用基于Noise2Self的对角对称网格掩码实现自监督训练，底层为5层CNN（前3层含ReLU激活，后2层为预测头），输出负二项分布NB的均值μ与离散度θ并以负对数似然NLL为损失，推理可采用带掩码或单次无掩码模式，通过沿对角线滑动提取固定大小子矩阵训练并平均重叠预测实现全染色体组装。
研究结果部分依次如下。
HiC2Self uses a self-supervised framework to denoise the Hi-C contact maps：研究人员通过超参数搜索确定3层卷积默认配置，输入矩阵尺寸呈O(size2)缩放，掩码宽度默认设为3以平衡性能与效率；框架由SVD低秩增强、对称掩码自监督训练及NB损失的CNN模型三部分组成，证明带掩码推理预测更准确，模型在原始计数空间直接去噪。
HiC2Self accurately reconstructs cell-type-specific contact maps from low-coverage libraries：在GM12878低覆盖度（2.02亿读数）与高覆盖度（35亿读数）10 kb分辨率比对中，HiC2Self恢复TAD与高覆盖度一致且优于原始低覆盖度；全染色体距离校正Pearson相关接近深测序生物学重复；在未见的新数据集上Pearson相关与GenomeDISCO重现性评分均优于HiCARN、HiCSR、HiCPlus、HiCNN等监督模型；与DeepLoop相比，单低覆盖度重复训练的HiC2Self在5 kb分辨率下auROC 0.77、auPR 0.40优于DeepLoop的0.72与0.34；在K562及GM12878-K562混合训练中也准确重建细胞类型特异性差异，跨细胞类型混合训练仍保留各类型结构恢复能力，但跨数据集泛化受输入稀疏度影响。
HiC2Self recovers significant interactions at ultrahigh resolution：在H1 ESC的Micro-C 1 kb分辨率下，低覆盖度（1.8879亿读数）经HiC2Self重建HLA区域TAD与显著环，距离校正z-score前1%互作的ROC与PR优于低覆盖度原始矩阵；在mESC Micro-C 500 bp围绕Sox2区域及K562 Hi-C 500 bp解析HBG1、FEZ1的增强子-启动子互作中，HiC2Self改善稀疏区覆盖并恢复主要结构，但无法补全输入完全缺失的信号与不可映射区。
HiC2Self accurately reconstructs cell-population-specific 3D genome structures with single-cell Hi-C：在人脑sn-m3C-seq数据中，研究人员对RORB基因周围4 Mb区域用少至50细胞伪批量10 kb分辨率训练，HiC2Self恢复结构与25000细胞伪批量高度相似，在L4-5-FOXP2阶段明显重建特异结构；重现性测试显示多细胞类型与单细胞类型训练及重采样一致，读深影响原始相关但HiC2Self将相关稳定在0.85～0.95，10、25、50、100细胞伪批量均表现稳健；对比零膨胀负二项ZINB与NB损失，100与50细胞时NB优于ZINB，10细胞时相当，NB为默认。
HiC2Self reconstructs single-cell 3D structures without borrowing information from neighboring cells：在同一类型Exc-CA细胞DLG2基因周围20 Mb 50 kb分辨率下，按DLG2甲基化高低分组伪批量及单个细胞显示高甲基化细胞更长程互作；单细胞内HiC2Self重建矩阵较原始与高斯平滑更能反映局部3D变异，UMAP基于重建矩阵与mCG甲基化模式一致，余弦相似与mCG矩阵重现性评分达0.95（原始0.83）；在人海马前体细胞单细胞中，HiC2Self恢复100 kb分辨率A/B区室PC1分数与伪批量相关显著高于原始单细胞（Wilcoxon P=6.28×10?61 Pearson，P=2.29×10?31 Spearman）；与Higashi比较，在距离校正Spearman相关上Higashi最高，但重现性评分HiC2Self略优（P=3.55×10?161）且细胞类型特异性更强，且HiC2Self仅用单染色体训练而不需全基因组信息。
讨论部分总结：研究人员指出HiC2Self包含SVD多通道CNN、对称掩码自监督及NB损失三核心，适用于批量、Micro-C、单细胞伪批量与单细胞局部结构解析；尝试SSIM损失在单细胞中恢复全局结构但在高稀疏区夸大，批量上不及NB，故保留NB；多分辨率训练整体与单分辨率相当，默认用单分辨率可选多分辨率；局限性在于需对角对称矩阵致长距离计算负担重且难处理trans-contact，不能补全测序技术本身缺失结构如不可映射区；未来可考虑Vision Transformer ViT以捕捉长程依赖但面临算力、过拟合与分块不匹配挑战；结论为HiC2Self通过SVD增强、掩码自监督与NB损失的CNN框架，广泛适用于批量Hi-C去噪、Micro-C高分辨率重建及单细胞3D基因组结构解析，为3D基因组数据解读提供灵活自监督去噪工具。
