0. TL; DR

BABEL利用一个可互操作的神经网络模型，在经过相关数据训练后，可以在单个细胞的转录组和染色质可及性谱之间进行翻译。

作者在多个人类和小鼠的配对单细胞ATAC和基因表达数据集上验证了BABEL能够准确地为单个细胞在这些模态之间进行翻译。BABEL对训练中未见过的生物学背景下的细胞类型也表现出良好的泛化能力。

1. 背景介绍

单细胞技术使得利用从基因表达到染色质可及性等多种模态来精确表征细胞状态成为可能。然而，标准的单细胞技术的一个显著限制是，它们每个细胞只捕获一种测量模态（例如，仅RNA测序或仅染色质可及性），这会丢失关于不同基因组调控层如何在单个细胞内相互作用的关键信息。

最近，多组学单细胞方法应运而生，它们可以在同一个细胞内联合分析多种模态。然而，这些联合单细胞方法自身也面临挑战。例如，它们通常需要额外的预防措施来保存或分离细胞，以有效捕获多种类型的分子，其中RNA通常最难处理和储存。这一步骤中的不完善可能导致数据噪声和丢失（drop-out）增加。此外，这些多组学实验增加的成本也可能限制其应用的规模。

面对这些挑战，当实验上无法或不切实际地进行联合分析时，如何从只能捕获单一模态的样本中提取最多的信息便成为一个重要问题。

作者为此开发了BABEL，一种深度学习算法，它能从一种测量到的模态计算生成同一单细胞中的其他多组学模态。这种方法类似于在具有不同语法和句法结构的语言之间翻译句子。BABEL可以从全基因组的单细胞ATAC谱准确推断全转录组的单细胞RNA谱，反之亦然。作者的工作重点是RNA和ATAC，因为联合分析这两种模态的实验方法更为成熟，数据也最丰富。

2. BABEL框架

BABEL的核心是一个由四个模块化神经网络组成的系统：两个编码器（encoder）和两个解码器（decoder）。

两个编码器：一个用于将RNA表达谱投影到一个共享的16维潜在空间，另一个用于将ATAC可及性谱投影到同一个潜在空间。
两个解码器：一个用于从这个潜在空间推断出相应的RNA表达谱，另一个用于推断ATAC可及性谱。

这个共享的潜在空间可以被看作是细胞状态的一个抽象、集成的表示，它同时概括了细胞的表观遗传和转录组谱。这个低维空间的设计（信息瓶颈）鼓励模型捕捉主要的细胞变异，而不是潜在的伪迹。

负责RNA编码和解码的网络由全连接层组成，将连续的全转录组表达向量与潜在表示进行相互转换。

负责ATAC信号编码和解码的网络也由全连接层构成，但作者利用了一个生物学洞见：大多数染色质可及性相互作用发生在染色体内部。因此，作者修剪了大部分跨染色体的连接，只允许在染色体内部进行学习。这种方法显著减少了模型的参数量，并有助于避免学习到伪相关性。

在整个工作中，所有的ATAC测量值都被二值化（有信号为1，无信号为0）。BABEL预测的是一个peak被激活（即为1）的概率。

BABEL的一个关键设计是互操作性（interoperability）。这意味着任何一个编码器都可以与任何一个解码器配对工作。为了实现这一点，模型通过一个联合损失函数进行训练，该函数包含了所有四种可能的编码器-解码器组合路径。损失函数$L$可以表示为：

\[L = L_{NB}(r, r_{RNA}) + \beta L_{BCE}(a, a_{ATAC}) + \beta L_{BCE}(a, a_{RNA}) + L_{NB}(r, r_{ATAC})\]

其中$r$和$a$分别代表测量的RNA和ATAC信号。$\beta$是一个常数，用于平衡两种损失的数值尺度。$r_{RNA}$是从RNA输入推断出的RNA输出，$a_{ATAC}$是从ATAC输入推断出的ATAC输出，以此类推。

$L_{NB}$是负二项（Negative Binomial）损失，用于评估RNA的预测。这种损失函数鼓励模型学习去噪后的真实表达值，而不是带噪声的原始计数。$L_{BCE}$是二元交叉熵（Binary Cross Entropy）损失，用于评估二值化的ATAC预测。

这种互操作性约束利用了成对的数据来学习一个统一的、能够嵌入多模态细胞状态的潜在空间，而无需显式的潜在空间对齐，从而提高了BABEL泛化到未见过的细胞类型的能力。

3. 实验分析

作者在多个人类和小鼠数据集上对BABEL的性能进行了验证。

3.1 BABEL在跨域翻译上表现出高准确性

作者使用来自人类外周血单个核细胞（PBMC）、结肠腺癌细胞（DM和HSR）的配对数据进行训练。通过聚类的方式划分训练、验证和测试集，以增加模型的泛化挑战。此外，一个完全独立的GM12878细胞系数据被用作外部评估集。

图B（性能汇总）：在从ATAC推断RNA的任务上，BABEL在测试集上达到了0.62的皮尔逊相关系数（Pearson correlation）。在从RNA推断ATAC的任务上，达到了0.92的AUROC。这些性能显著优于作为基线的K近邻（KNN）模型。在完全未见过的GM12878细胞上，BABEL依然表现出良好的泛化能力（ATAC->RNA相关系数为0.59）。这表明模型可以推广到不同的细胞类型。与传统的基于先验知识构建的基因活性评分方法（如ArchR和MAESTRO）相比，BABEL在GM12878上的预测准确性要高得多（0.59 vs. 0.15和0.19）。
图C, D, E（散点图）：在测试集上，BABEL预测的表达值与真实表达值在每个细胞的每个基因上都显示出强相关性。在GM12878细胞上，BABEL的预测（图D）相比ArchR的基因活性评分（图E）更接近真实情况。

作者还在小鼠大脑（SNARE-seq）和小鼠皮肤（SHARE-seq）数据集上训练了BABEL，均取得了与人类数据相似的高性能。这证明BABEL可以跨物种和不同的实验平台使用。

3.2 BABEL的跨模态推断能够捕捉经验验证的细胞状态

在一个仅有scATAC-seq数据的健康PBMC数据集上，使用预训练的BABEL模型推断其RNA表达谱，并与一个独立的、实验测量的PBMC scRNA-seq数据集进行比较。

图A, B（全局结构比较）：基于BABEL推断的RNA表达谱生成的UMAP图。实验测量的scRNA-seq数据生成的UMAP图。两者在全局结构上高度一致，都显示出三个主要的细胞群（B细胞、单核细胞、T/NK细胞），并且细胞类型间的关系也相似。
图C, D, E, F（Marker基因表达比较）：作者检查了多种细胞类型的marker基因（如CD14+单核细胞的CD14和LYZ，NK细胞的GNLY，B细胞的MS4A1）的表达情况。在所有情况下，BABEL推断的marker基因表达模式（左图）与实验测量的表达模式（右图）高度一致。例如，推断的CD14表达量高度集中在被scATAC-seq分析鉴定为CD14+单核细胞的细胞群中。

这些结果表明，BABEL的推断并不仅仅是预测所有细胞的平均表达，而是为每个细胞进行了高度特异性的表达推断，其生成的“伪scRNA-seq”数据可以用于下游的细胞类型分析。

3.3 BABEL能为病人样本生成新的见解

将预训练的BABEL模型直接应用于一个具有挑战性的病人样本：来自基底细胞癌（BCC）肿瘤的scATAC-seq数据，该数据包含恶性、基质和免疫细胞。

图A, B（伪批量（pseudobulk）表达谱验证）：BABEL从scATAC-seq推断的单细胞表达谱，在聚合成伪批量谱后，与一个独立的、组织匹配的BCC scRNA-seq实验得到的伪批量谱高度相关（Pearson’s r = 0.70）。相比之下，传统的Cicero基因活性评分的伪批量相关性仅为0.27。这表明BABEL的预测在整体上是稳健的。
图C-I（Marker基因表达与新发现）：BCC样本的ATAC-based UMAP图，作为可视化BABEL推断表达的背景。BABEL能准确预测T细胞（CD3E）、髓系细胞（CD86）和NK细胞（KLRC1）的marker基因表达，其结果与基因活性评分一致或更优。对于CD8+活化T细胞的marker基因IFNG，BABEL的预测比基因活性评分更具特异性，更接近实验scRNA-seq的结果。BABEL的一个局限性：对于训练数据中未出现的细胞类型（如恶性BCC细胞）的marker基因（如KRT14），BABEL的预测信号较弱。在原始研究中，一个T滤泡辅助细胞（Tfh）群在表观遗传上与耗竭的CD8+ T细胞（TEx）相似。BABEL的预测进一步发现，这个Tfh群也过表达常见的免疫抑制基因，如CTLA4。这一发现得到了scRNA-seq数据的证实，为Tfh和TEx细胞间的相似性提供了新的证据。

3.4 BABEL可以扩展到其他数据模态

作者通过训练一个辅助的蛋白质表位解码器网络，展示了BABEL的灵活性。这个解码器利用BABEL预训练的潜在表示来推断蛋白质表位谱。作为一个概念验证，作者展示了BABEL的可互操作结构甚至能够从一个细胞的scATAC-seq谱生成其蛋白质表位谱，即使ATAC-蛋白质的配对数据在实验上还不可用。这进一步展示了BABEL计算性跨模态翻译方法的潜力和通用性。