scI2CL：通过组内和组间组学对比学习有效融合单细胞多组学数据

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：scI2CL: Effectively Fusing Single-cell Multi-omics by Intra- and Inter-omics Contrastive Learning

　　

•我们提出了一个名为scI2CL的新型框架，用于有效融合单细胞多组学测序数据并学习全面且具有判别力的细胞表征。•我们设计了组内对比学习策略，以从单组学数据中提取局部和全局特征。•我们设计了组间对比学习策略，利用未匹配的正交组学关系来缓解数据融合过程中的噪声扰动。•我们在四个不同的下游任务上进行了大量实验，结果表明scI2CL强大的多组学融合能力能够为生物学过程提供新的见解。

引言
在过去十年中，单细胞测序技术取得了重大进展，使科学家能够在单细胞水平上定量测量和分析各种类型的组学数据，为细胞异质性、生物学过程和人类疾病提供了有价值的见解[1]。具体而言，单细胞RNA测序（scRNA-seq）量化细胞中的基因表达水平，而单细胞转座酶可及性染色质测序（scATAC-seq）则探索邻近基因的顺式调控元件的开放程度[2]。scRNA-seq和scATAC-seq数据的联合分析可以捕捉互补信息，从而更全面地表征细胞异质性和基因调控关系[3]。从多组学数据中衍生的融合表征推动了细胞状态和跨组学异质性的全面建模，已被证明对精确识别细胞类型和功能、发现潜在亚群以及推断发育轨迹至关重要。

尽管SNARE-seq和10X Genomics Multiome等单细胞组学技术提供了跨多种组学探究细胞的机会，但单细胞多组学数据融合仍然面临巨大挑战，原因在于高稀疏性、日益庞大的规模以及显著的组间差异[4]。目前，已有许多利用机器学习和生物分析技术开发的单细胞多组学融合计算方法。线性方法如Coupled NMF[5]、MOFA+[6]和JSNMF[7]基于非负矩阵分解或主成分分析。然而，将多组学数据线性投影到共享潜在空间会限制其捕捉组学特异信息和不同组学间非线性依赖关系的能力。基于对齐的方法如MMD-MA[8]、Pamona[9]和SCMLC[10]旨在对齐来自不同组学的低维嵌入并表征内在细胞结构。尽管它们可以捕捉多组学间的非线性关系，但其应用受到高内存和时间成本的限制。深度学习凭借其捕捉复杂高维数据中模式和表征的能力，已成为单细胞数据分析的主流方法。一系列基于自编码器的无监督学习方法，如scMVAE[2]、VIMCCA[11]和scMCs[12]，已被提出以融合来自多种组学的不同表征。

尽管这些方法在单细胞多组学数据融合方面取得了令人瞩目的成果，但它们至少存在两方面的局限性。一方面，大多数现有方法简单地使用编码器-解码器结构从单组学计数矩阵中学习特征，而没有充分考虑潜在的局部依赖关系（例如scRNA-seq数据中多个基因的联合调控效应）。另一方面，当前方法主要关注成对组学之间的相互依赖关系，忽视了数量更丰富的未匹配多组学之间的潜在关系。单细胞数据中的高噪声和批次效应可能会模糊不同组学之间的关系模式，使得仅从成对数据中学习的特征难以有效建模组学间的相互依赖关系。这阻碍了模型捕捉不同组学间的共性和个性，导致细胞状态表征不充分，最终限制了其执行各种下游任务的能力。

为应对这些挑战，我们提出了scI2CL，一种新型的单细胞多组学融合框架，结合组内和组间对比学习用于各种下游单细胞组学数据分析。针对第一个局限性，我们引入了组内对比学习（Intra-CL）以从单组学数据中提取局部和全局特征。Intra-CL通过从原始计数矩阵中获取全局特征、从构建的多视图掩码矩阵中获取局部特征来学习互补表征，然后利用软融合策略以噪声鲁棒的方式统一全局和局部信息。针对第二个局限性，我们提出了组间对比学习（Inter-CL），利用未匹配的跨组学关系来缓解数据融合过程中的噪声扰动。Inter-CL采用跨模态注意力来捕捉跨组学依赖关系，同时保留其模态特异性特征。此过程通过多组学对比损失进行优化，辅以匹配损失以进一步增强数据融合过程。通过同时保留组学特异性个体性和捕捉共享依赖关系，scI2CL学习到全面且具有判别力的细胞表征。

我们在四个不同下游任务上的大量实验表明，scI2CL不仅有效，而且优于现有方法。具体而言，在细胞聚类中，scI2CL在四个真实世界单细胞多组学数据集上的归一化互信息（NMI）和调整兰德指数（ARI）方面均优于八种最先进方法。在细胞亚群分析中，scI2CL从PBMC-10K数据集中识别出三种现有计算方法未检测到的CD14单核细胞亚群。对于细胞注释校正，scI2CL精确识别出PBMC-3K数据集中错误注释的CD4+ T细胞类型，而同级方法难以区分这些细胞。此外，利用scI2CL学习的融合细胞表征，我们成功重建了PBMC-10K数据集中从造血干祖细胞到B细胞谱系的完整发育轨迹，而使用现有方法则无法做到。

我们工作的主要贡献总结如下：•我们提出了scI2CL，一种新型的单细胞多组学数据融合框架。通过利用组内和组间对比学习的能力，scI2CL有效地发现了组内依赖关系，同时捕捉跨正交组学样本间潜在的生物学相关模式，从而实现了有效的多组学数据融合并学习有利于精确界定细胞异质性的表征。•我们在细胞聚类任务中对四个真实世界单细胞多组学数据集进行的实验表明scI2CL取得了最佳的整体指标，凸显了其学习全面且具有判别力细胞表征的稳健能力。•我们在细胞亚群分析、细胞注释校正和细胞发育预测推断任务中的进一步实验分析揭示scI2CL能够发现数据中的潜在生物学模式，展示了其发现新生物学过程的能力。

本文其余部分组织如下：在第2节中，我们回顾相关工作。在第3节中，我们详细介绍所提出的scI2CL框架。在第4节中，我们呈现实验设置，包括数据集、实现细节和基线方法。在第5节中，我们呈现四个真实世界数据集上四个不同下游任务的广泛实验结果。在第6节中，我们总结我们的工作并讨论未来研究。

单组学数据分析
单细胞测序技术的早期发展主要集中在单细胞RNA测序（scRNA-seq）。通过scRNA-seq，研究人员可以对单个细胞进行转录组水平分析，从而实现细胞的分类、表征和注释以识别不同的细胞群体。由于scRNA-seq数据通常是高维的，大多数早期方法结合了特征选择、特征缩放和特征转换等技术。

方法
在本节中，我们全面描述所提出的scI2CL框架。我们首先逐步介绍scI2CL的整体架构，然后形式化描述所提出的组内和组间对比学习策略。最后，我们给出scI2CL的全局损失函数。

数据预处理
scI2CL仅使用单细胞计数矩阵进行训练和推断，使其能够灵活应用于各种单细胞多组学数据的融合。在本文中，我们使用了四个典型的单细胞联合谱系数据集，包括10x-Multiome-PBMC 10k数据集（PBMC-10K）、10x-Multiome-PBMC 3k数据集（PBMC-3K）、小鼠皮肤细胞数据集（Ma-2020）[32]和人类细胞系混合数据集（CellMix）[33]。PBMC-10K包含来自19个不同群体的9,631个人类外周血单个核细胞。

实验结果
在本节中，我们呈现scI2CL在四个真实世界数据集上四个下游任务的实验结果。首先，为展示scI2CL在多组学数据融合方面的显著能力，我们比较了不同方法在细胞聚类任务上的性能。此外，为提供scI2CL学习更具异质性细胞表征的额外证据，我们进行了扩展分析，包括细胞亚群分析、细胞注释校正和细胞发育轨迹。

讨论
在本研究中，我们介绍了scI2CL，一种新颖的深度学习方法，用于从单细胞多组学数据中学习全面捕捉细胞异质性的统一表征。scI2CL结合组内和组间对比学习进行单细胞多组学数据融合。一方面，它在各个组学内部执行组内对比学习，通过对齐局部和全局信息来推导高质量的特征表征。另一方面，它采用组间对比学习来捕捉跨组学依赖关系。

代码可用性
本工作的源代码可在https://github.com/PhenoixYANG/scICL获取。

CRediT作者贡献声明
刘务超：撰写—审阅与编辑，撰写—初稿，可视化，验证，软件，方法论，调查，形式化分析，概念化。彭寒：撰写—审阅与编辑，撰写—初稿，形式化分析。李文根：撰写—审阅与编辑，撰写—初稿。张一超：撰写—审阅与编辑，撰写—初稿。关继红：撰写—审阅与编辑，撰写—初稿，监督，概念化。周水庚：

利益冲突声明
作者声明他们没有任何已知的财务利益冲突或个人关系可能影响到本文报告的工作。

刘务超|彭寒|李文根|张一超|关继红|周水庚