scButterfly: 基于对偶对齐变分自编码器的单细胞跨模态翻译方法.

0. TL; DR

本文提出了一种基于双对齐变分自编码器（dual-aligned variational autoencoders）和数据增强策略的通用单细胞跨模态翻译方法scButterfly。该方法不仅在保留细胞异质性的跨模态翻译任务中超越了现有基准方法，还能有效处理未配对数据、具有批次效应或存在未知细胞类型的数据。此外，scButterfly 在单模态数据的多组学整合分析、低质量数据的增强、scATAC-seq 数据的自动细胞类型注释、跨器官翻译、单细胞扰动响应预测以及表观基因组-转录组-蛋白质组的连续翻译中均展现出了极大的应用潜力。

1. 背景介绍

单细胞测序技术的进步催生了多种单细胞模态，为揭示细胞异质性提供了前所未有的机会。例如，单细胞转录组测序（scRNA-seq）能够测量单个细胞的基因表达以表征转录异质性，而单细胞染色质可及性测序（scATAC-seq）能够捕获控制转录的染色质调控景观。然而，这类单模态数据只能捕获单一测量维度，丢失了单个细胞内不同基因组调控层如何相互作用的关键信息。

为了获得单细胞的全面视图，研究界提出了能够同时分析同一细胞中多个模态的各种单细胞多组学技术。尽管如此，与单模态分析相比，联合分析技术由于更为复杂、灵敏度和吞吐量较低，且伴随更高的噪声与成本，其广泛应用仍受到限制。此外，数据库中积累的海量单模态数据急需与其他模态进行整合分析。因此，学术界迫切需要准确的单细胞跨模态翻译方法来推断和合成成对的多组学测量数据。

目前，已有一些计算方法被提出用于单细胞跨模态翻译（如 BABEL、Polarbear、JAMIE 等），它们通常将收集到的多组学数据嵌入到共享的潜在空间中，并以监督方式在不同模态之间翻译数据。然而，这一领域仍存在诸多未解决的约束与挑战：

  1. 单细胞数据的高维性和技术变异（以及丢失的 dropout 事件）使得建模极具挑战性；
  2. 缺乏有效的数据增强方案来改善高度嘈杂的复杂组织数据中的翻译性能；
  3. 待翻译数据往往具有与训练数据不同的生物学背景（如新的细胞类型）或样本间差异（如批次效应）；
  4. 用于模型训练的配对多模态分析数据可能无法获取，需要利用未配对数据进行对角训练；
  5. 跨模态翻译器的广泛应用潜力（如数据增强、扰动分析、连续多模态翻译等）尚未得到系统评估。

为了解决上述挑战，作者开发了 scButterfly，这是一个能够进行单细胞跨模态翻译并支持多种扩展应用的通用框架。

2. scButterfly方法

scButterfly 是一种基于双对齐变分自编码器（VAE）的生成对抗模型。以 scRNA-seq 和 scATAC-seq 之间的数据翻译为例，其基础模型（scButterfly-B）主要由七个模块组成：两个编码器（Encoder）、两个解码器（Decoder）、一个翻译器（Translator）和两个判别器（Discriminator）。

2.1 模型架构

编码器（Encoders）

RNA 编码器 $En_r$ 和 ATAC 编码器 $En_a$ 负责将输入数据投影到低维潜在空间。为了减轻 dropout 导致的噪声，作者引入了掩码（masking）策略，随机将 $50\%$ 的 RNA 元素和 $30\%$ 的 ATAC 元素置零。考虑到染色质可及性交互主要发生在染色体内，作者对 ATAC 的编码器和解码器进行了基于染色体内连接（intra-chromosomal connections）的剪枝，以大幅减少参数空间。

翻译器（Translator）

翻译器 $T$ 的功能是利用潜在空间中学习到的多元高斯分布生成翻译后的表示。对于 RNA 潜在嵌入，翻译器输出均值向量 $X^r_{mean}$ 和对数方差向量 $X^r_{var}$。随后利用重参数化技巧进行采样：

\[X_{embed} = X^r_{mean} + e^{\frac{X^r_{var}}{2}} \times eps \sim \mathcal{N}(0, I)\]

生成的 $X_{embed}$ 经过进一步映射，得到翻译到 ATAC 空间的嵌入特征和映射回 RNA 空间的嵌入特征。对于 ATAC 到 RNA 的翻译，过程类似。

判别器（Discriminators）

判别器 $Dis_r$ 和 $Dis_a$ 用于确保翻译器的输入和输出在特定组学层面上正确对齐。以 $Dis_r$ 为例，它需要区分原始的 RNA 嵌入和由 ATAC 翻译过来的 RNA 嵌入：

\[Dis_r(T_{a \rightarrow r}(En_a(X_a))) = 0\\ Dis_r(En_r(X_r)) = 1\]

解码器（Decoders）

解码器 $De_r$ 和 $De_a$ 负责将翻译后的潜在表示映射回原始的高维特征空间。

2.2 训练策略

模型的训练分为预训练（pretraining）和综合训练（integrative training）两个阶段：

预训练阶段

针对单一模态分别训练编码器和解码器。以 RNA 为例，利用均方误差（MSE）作为重建损失：

\[L_r(X^{pred}_r, X_r) = \textbf{MSE}(X^{pred}_r, X_r) = \frac{1}{n}\sum_{k=1}^{n}(X^{pred}_r[k] - X_r[k])^2\]

同时引入变分推断的证据下界（ELBO）损失（即 KL 散度）：

\[L_{ELBO}(X^{r\ pretrain}_{embed}) = \textbf{KL}(X^{r\ pretrain}_{embed} || \mathcal{N}(0, I))\]

预训练的总损失为这两者加权之和。（ATAC 模态使用二元交叉熵 BCE 作为重建损失 $L_a$）。

综合训练阶段

加载预训练参数后，加入判别器进行对抗训练。利用软标签（soft labels）计算判别器损失 $L_{Dis}$：

\[L_{Dis} = L_D(Dis_a(T_{r \rightarrow a}(En_r(X_r))), l_{neg}) + L_D(Dis_a(En_a(X_a)), l_{pos}) \\+ L_D(Dis_r(T_{a \rightarrow r}(En_a(X_a))), l_{neg}) + L_D(Dis_r(En_r(X_r)), l_{pos})\]

最后，联合优化编码器、翻译器和解码器，损失函数包含重建损失、跨模态翻译损失、ELBO 损失以及对抗损失：

\[\begin{aligned} Loss =& w_r(L_r(X^{pred}_{r \rightarrow r}, X_r) + L_r(X^{pred}_{a \rightarrow r}, X_r)) \\&+ w_a(L_a(X^{pred}_{a \rightarrow a}, X_a) + L_a(X^{pred}_{r \rightarrow a}, X_a)) \\&+ w_{ELBO}(L_{ELBO}(X^r_{embed}) + L_{ELBO}(X^a_{embed})) - w_{dis}L_{Dis} \end{aligned}\]

2.3 数据增强策略

为了应对细胞数量有限和多组学数据噪声极高的问题，作者提出了两种数据增强变体：

3. 实验分析

作者在多个涵盖不同物种和协议的数据集上进行了全面的实验。以下是所有实验及结果图的详细分析：

3.1 跨表观基因组与转录组的翻译表现

作者首先在配对的 BMMC 等数据集上评估了跨模态翻译保留细胞异质性的能力。

3.2 应对新环境数据翻译及揭示生物学见解

考虑到真实场景中待翻译数据可能包含未见过的细胞类型或存在批次效应，作者测试了模型在这些困难场景下的能力。

3.3 促进多组学整合、数据增强与细胞注释

scButterfly 作为一个通用框架，在各种下游任务中均有杰出表现。

3.4 从表观基因组到转录组再到蛋白质组的连续翻译

最后，作者将模型扩展到了包含背景噪声不同于测序数据的蛋白质组（ADT）层面的翻译。