本文的主要作者包括 Mohammad Lotfollahi, Anastasia Litinetskaya 和 Fabian J. Theis，他们分别隶属于 Helmholtz Center Munich 的 Institute of Computational Biology、Technical University of Munich 的 School of Life Sciences Weihenstephan 以及 Department of Mathematics。本文作为 preprint 发表在 bioRxiv，并参与了 2021 ICML Workshop on Computational Biology 的相关研究讨论。
近年来，单细胞多模态组学（single-cell multi-omics）技术的快速发展，为理解细胞决策机制提供了一种全面的方法。这些技术能够同时测量单细胞中的多个特征，例如在 CITE-seq 技术中同时测量基因表达（gene expression）和表面蛋白计数（surface protein counts），在 ATAC-seq 技术中同时揭示转录组和染色质开放性。然而，由于多模态数据普遍存在不完整的参考样本、不重叠的特征和数据集之间的批次效应，学习和整合这种数据的挑战性显著。现有的方法大多局限于特定的配对测量技术，缺乏处理和推测（imputation）丢失模态数据的机制，同时在处理非匹配测量的数据集时显得不够鲁棒。
为了解决上述问题，本文提出并验证了一种新的生成性多视角神经网络架构——Multigrate。这种方法旨在构建多模态参考图谱（multimodal reference atlas），可以泛化到多种多模态组学技术，同时具备强大的整合能力，能够接近目前相关领域的最优方法。
研究的目的包括： 1. 集成不同模态的数据，统一多模态数据视图； 2. 处理非配对数据并对缺失模态进行推测； 3. 利用转移学习实现新查询数据的参考映射； 4. 构建健康和疾病细胞的多模态参考图谱，并可扩展性地加入新的数据。
本文研究流程主要分为以下几个部分：
文章采用了多种数据集，包括： - 数据集 1：配对的 RNA-seq 和 ATAC-seq 单细胞数据，来自 10x Genomics； - 数据集 2-4：CITE-seq 数据，来源于 Hao 等人（2020）, Kotliarov 等人（2020）以及 Stephenson 等人（2021）。总计评估了超过 16 万个健康血液细胞（参考集）和 5 万个 COVID-19 相关的疾病细胞（查询数据）。
所有数据集均经过统一的质量控制和预处理过程，包括基因表达数据的归一化与 log 转换、染色质开放性数据的二值化处理，以及蛋白计数数据的比例中心化转换。
Multigrate 是一种无监督深度生成模型。其核心工作机制包括： - 利用 Product of Experts (PoE) 框架建模多个模态的联合分布，并设计能够处理部分模态缺失的情况下的条件后验概率分布； - 引入转移学习组件，在已有参考图谱的基础上精细调整权重以适配新查询数据； - 通过编码器（modality encoder）与解码器（modality decoder）分别实现模态特征提取和模态数据重构。 - 损失函数部分结合了重建损失（由负二项分布或均方误差确定），最大平均差异（最大化不同数据集联合表示的相似性）以及 KL 散度（约束潜在变量的分布）。
研究中的数据处理工作流主要包括： - 数据整合：通过 Multigrate 的联合潜在空间整合多模态数据，包括配对数据和非配对数据的整合； - 缺失模态推测：从 CITE-seq 和 RNA-seq 数据中推测蛋白丰度； - 转移学习和参考图谱映射：利用转移学习，将新 COVID-19 查询数据映射到健康参考图谱中。
本文的研究通过大量实验演示了 Multigrate 的卓越性能，从以下几个方面展示了结果和贡献：
在整合任务中，Multigrate 在多个数据集上表现出色，与 MOFA+、Seurat v4 和 TotalVI 等已有方法进行了对比。在生物学保真度（bio-conservation metrics）和批次校正（batch correction metrics）方面均略胜一筹： - 数据集 3 的整合质量评价表明 Multigrate 综合评分高于其他三种方法； - 多模态数据被成功映射到一体化的潜在空间，UMAP 图展示了良好的跨实验室、一致化的整合表现。
对于缺失模态数据推测的实验，研究展示了一个单细胞 CITE-seq 数据集上的能力： - 总计 15,000 个细胞的数据中，1/3 的 RNA-seq 数据被设计为无蛋白数据模拟缺失模态； - 多种方法对蛋白丰度进行推测，Multigrate 得到的推测值与真实值的 Pearson 相关系数显著高于 Seurat 和 TotalVI。
研究成功构建了包含 3 种模态（基因表达、蛋白计数和染色质开放性）的健康参考图谱，并通过转移学习将 COVID-19 病例细胞映射到该图谱内： - UMAP 显示，在加入新查询数据后，不同研究条件的数据集（健康 vs 疾病）被完全整合； - 病例细胞类型注释的准确率达到 79%，其中主要错误类别如 Treg 和 ASDC 的原因在于其在参考图谱中占比极小。
本文提出了一个专为单细胞多模态组学数据设计的高效整合模型 Multigrate，并通过实验表明其能够在数据整合、缺失模态推测以及健康-疾病查询数据整合等任务中超越现有方法。
本文科学意义： - 解锁了单细胞多模态组学数据（尤其是非配对数据）的整合潜力； - 提供了一种用于构建和更新多模态细胞图谱的工具，可以被广泛用于健康与疾病研究。
应用价值： - 提供了更为全面的基于组学数据的细胞生物学研究视角； - 推测功能可以用于诊断和临床研究推进，对未知数据集的功能预测有重大帮助。
研究者指出，未来将通过加入正则化（如循环一致性损失）进一步提高未配对数据整合质量，并用可学习嵌入替代 one-hot 模态标签。随着单细胞多模态数据的迅速增多，Multigrate 或将成为该领域的数据整合和分析的核心工具之一。