跳到主要内容
返回时间线
bioRxiv来源发表:

SCALEMAP 把跨模态对齐改成自我映射:150万细胞谱图不到5分钟整合完

核心概要

单细胞多组学中,RNA与蛋白等模态往往测在不同细胞上,缺少细胞级对应,只能靠预设的特征联系去找跨模态锚点细胞,规模一大就吃算力和内存。SCALEMAP 换了一种对齐信号:把每个细胞翻译到另一模态后,再与它自身观测到的联系特征比对,让每个细胞自带正样本,不必先搜配对细胞。在 RNA–蛋白与 RNA–ATAC 基准上,它的整合质量与领先方法相当或更好,而运行时间和内存明显更低;在 COMBAT 图谱上,它用 3.3 分钟整合了超过 83 万个细胞。

AI-generated editorial illustration: Scalable Multi-omics Diagonal Integration from Self-Mapping

深度剖析

跨模态对齐不再需要先在观测细胞之间搜索配对锚点,每个细胞用自己的翻译结果作为对齐目标。 此前的弱联系方法要先通过预设特征联系推断跨模态锚点细胞,再用这些锚点引导对齐,锚点搜索与细化在细胞数增大时计算负担上升。 在 COMBAT 图谱的 CITE-seq 数据上,从 2% 到 100% 的六个规模档位中,SCALEMAP 在每个规模上运行时间最短,并在 3.3 分钟内完成全数据集整合;BindSC 在中等规模即超出内存上限,MaxFuse 与 GLUE 的运行时间最终超过 12 小时上限,scMODAL 在默认设置下完成全数据集需要 87.5 分钟。

对齐信号来自同一细胞自身的跨模态翻译,而不是来自另一模态中某个被判定相似的细胞。 做法是把每个输入细胞解码到另一模态,再按预设的特征联系表取出对应的联系特征,与同一细胞观测到的联系特征组成正样本对。 训练在一个多输入多输出自编码器中进行,编码器把两种模态映射到共享隐空间,各模态解码器既重建本模态也生成另一模态的翻译谱图;对比损失要求同一细胞的正样本对得分高于小批次内其他细胞的翻译向量,并与重建、隐空间一致性和对抗式模态混合目标联合优化。

整合质量与领先方法相当或更好,同时计算开销显著更低。 在六个 RNA–蛋白数据集上,SCALEMAP 取得最高总体得分,其后依次为 scMODAL、MaxFuse 和 BindSC;BindSC 的生物学保守与批次校正得分平均分别低 11.3% 和 8.0%。 在 COMBAT 全数据集上,相对 scMODAL,SCALEMAP 的 ARI 高 25.5%、批次 LISI 高 34.6%、1-FOSCTTM 高 23.1%;把 scMODAL 训练步数从 10000 降到 500 以对齐运行时间后,SCALEMAP 的 ARI 高 76.4%、批次 LISI 高 199.6%、1-FOSCTTM 高 60.9%。

启示与展望

评测覆盖六个 RNA–蛋白数据集(骨髓 CITE-seq、PBMC TEA-seq、COMBAT 子集、PBMC ASAPseqCtrl、PBMC ASAPseqStim、PBMC CITE-seq)和三个 RNA–ATAC 数据集,规模实验在 32 核 Intel CPU 上完成,运行时间上限 12 小时、内存上限 100 GiB。

自我映射仍依赖预先定义的特征联系来约束跨模态映射,当前使用固定的联系特征集合;作者提出可进一步学习各联系的权重或在生物学约束下细化特征比较图,以容纳不同细胞状态下联系信息量的差异。