LIBRA：成对单细胞多组学数据的自适应整合工具.
0. TL; DR
LIBRA通过学习配对多组学谱之间的翻译来构建一个共享的潜在空间。变体aLIBRA通过自动识别能够同时优化整合和预测任务的参数组合，实现了自动微调。
在八个多组学单细胞数据集上的评估结果显示，LIBRA在单细胞多组学数据的整合和预测任务中都具有强大的竞争力，并且其自适应学习方案使其成为一个数据驱动的稳健平台。
1. 背景介绍
单细胞多组学技术通过同时分析多个转录调控层面，为揭示单细胞分辨率下的内在复杂组织结构奠定了基础。然而，如何整合这些多组学谱图是一个关键挑战。最初的方法，如Seurat3，虽然允许单细胞多组学整合分析，但并未利用数据的配对性质（即多个组学谱图来自同一个细胞）。
近来，利用配对信息的方法被相继开发。例如，机器学习工具MOFA+和Seurat4能够识别一个整合空间，用于改善细胞聚类。然而，这些工具存在可扩展性和稳健性的潜在限制，并且它们不生成允许从一个组学谱预测另一个组学谱的模型。为了克服这些限制，基于深度学习的方法应运而生。BABEL是该领域的开创性工作之一，旨在生成能够在数据类型之间翻译的预测模型。
最近，由NeurIPS组织的一场多模态单细胞数据整合竞赛突显了几个关键问题。首先，尽管神经网络方法表现最佳，但它们需要为每个任务和数据集进行大量的超参数微调。其次，没有一个方法能在多个任务中同时胜出，这揭示了多组学分析中的“没有免费午餐”（no free lunch）原则。
因此，作者提出了LIBRA，一个基于自编码器（AutoEncoder）的编码器-解码器架构，它能在NeurIPS挑战的两个核心任务（预测和表征学习）中表现出竞争力。LIBRA的设计灵感来源于神经机器翻译，但具体实现为一个AE框架。
2. LIBRA框架
LIBRA的核心思想是通过一个自编码器框架，学习在不同组学模态之间进行“翻译”，从而构建一个共享的潜在空间。
2.1 LIBRA模型架构
LIBRA由两个神经网络（NN）组成：
NN1 (主翻译网络)
这个网络结构类似于一个自编码器，但其特殊之处在于，它的输入（$dt1$）和目标输出（$dt2$）分别来自配对多组学数据的两种不同模态。
编码器将输入组学谱（例如，scRNA-seq矩阵$x$）编码为潜在变量$h$。对于一个单隐层网络，其过程可表示为$h = \sigma(Wx+b)$，其中，$\sigma$是激活函数，作者选用了leaky-relu以避免在处理稀疏的单细胞数据时出现“死亡节点”问题。$W$是权重矩阵，$b$是偏置向量。
解码器从潜在变量$h$重建数据，但其目标是最小化与第二种组学模态（$dt2$）的差异，而不是重建原始输入（$dt1$）。这迫使潜在空间$h$必须同时包含两种模态的信息。
模型使用均方误差（Mean Squared Error, MSE）作为损失函数，并通过反向传播进行优化。
NN2 (验证网络)
在NN1学习到共享潜在空间后，作者引入NN2来确保这个空间也能够高质量地表示第二种模态（$dt2$）的信息。NN2的输入是$dt2$，目标输出是NN1生成的共享潜在空间（SLS）。
2.2 评估函数
为了评估LIBRA的性能并指导其优化，作者设计了一系列量化指标。
训练质量指标
Q1用于评估NN1的训练质量，计算的是预测的第二种模态$\hat{d}t2$与真实的第二种模态$dt2$之间的MSE。
\[MSE_{NN1} = \frac{\sum_{i=1}^{n}(dt2_i - \hat{d}t2_i)^2}{n}\]Q2用于评估NN2的训练质量，计算的是由NN1生成的SLS与由NN2从$dt2$预测的SLS之间的欧氏距离。
\[Q2 = \sqrt{MSE_{NN2}}\]整合与预测性能指标
Preserved Pairwise Jaccard Index (PPJI)用于量化多组学整合在识别细胞亚型方面带来的“附加价值”（即是否提供了更精细的聚类粒度）。
PPJI衡量的是，由单一组学（如$dt1$）分析得到的细胞簇，在整合后的共享潜在空间中是被完整保留，还是被进一步细分成了更小的亚簇。
对于$dt1$中的每个簇$a_i$，计算它与整合空间中所有簇$b_j$的交集与并集之比（即Jaccard相似性指数，JSI），然后将这些JSI值相加。如果簇$a_i$被完美保留或完美分裂，这个和为1。PPJI是所有$dt1$簇的这个和的平均值。
\[PPJI = \frac{1}{I} \sum_{i \in A} \sum_{j \in B} \frac{|a_i \cap b_j|}{|a_i \cup b_j|}\]PPJI值接近1表示$dt1$中的聚类结构在整合空间中得到了很好的保留或细化。一个高PPJI值，如果同时伴随着整合空间中簇数量的增加，则表明整合分析提供了更精细的细胞亚型定义。
预测性能指标 (pred) 用于评估LIBRA的跨模态预测能力。对于scRNA-seq的预测，使用皮尔逊相关系数（Pearson correlation）。对于scATAC-seq的预测，使用AUC-ROC。
2.3 aLIBRA：自适应的自动微调
作者观察到，在NeurIPS挑战中，为不同数据集和任务进行精细的超参数调优是取得最佳性能的关键。为了解决这个问题，作者开发了aLIBRA，它将LIBRA与一个自动的、基于网格搜索的微调策略相结合，为任何给定的数据集自动寻找最优的参数组合。
aLIBRA可以针对整合任务（优化PPJI等指标）或预测任务（优化pred指标）进行两次独立的微调。调优参数包括网络层数、节点数、leaky-relu的alpha值、dropout率等。为了减少计算时间，aLIBRA的微调过程被设计为可并行执行。
这种自适应的策略使得LIBRA能够摆脱固定参数的限制，根据数据自身的特点找到最优模型。
3. 实验分析
作者在8个不同的单细胞多组学数据集上对LIBRA进行了广泛的评估。
3.1 整合性能比较
使用新提出的PPJI指标，在多个数据集上比较LIBRA与Seurat3、Seurat4、MOFA+、totalVI和BABEL等state-of-the-art工具的整合性能（即提升细胞聚类分辨率的能力）。
- 图A (DS1数据集)：在默认参数下，LIBRA的整合性能与Seurat4相当，并且优于其他深度学习框架如BABEL和简单的拼接自编码器（unpaired AE）。星号（*）表示整合后发现了更多的细胞簇，即提升了分辨率。
- 图B (鲁棒性分析)：通过在DS1数据集上随机减少细胞数量，评估LIBRA和Seurat4的性能鲁棒性。随着细胞数量的减少，两种方法的性能都下降了。然而，LIBRA的性能下降速度明显慢于Seurat4，表明LIBRA在细胞数量较少的情况下具有更好的鲁棒性。
- 图C (多个数据集)：在多个数据集上，没有一个方法能够始终胜出，这验证了“没有免费午餐”的原则。Seurat4在多数情况下表现优异，但LIBRA和MOFA+的表现与之非常接近，具体优劣取决于数据集。值得注意的是，为预测而设计的BABEL在整合任务上表现不佳。
- 图D (CITE-seq数据集)：在CITE-seq数据上，通过比较整合空间中邻近细胞的蛋白表达相关性，Seurat4和LIBRA表现最佳，分别在25个抗体中的14个和11个上取得最好结果。
3.2 预测性能比较
比较LIBRA和BABEL在多个数据集上从ATAC-seq预测RNA-seq谱图的能力，使用皮尔逊相关系数作为评估指标。
在所有可比较的数据集上，LIBRA的预测性能均优于BABEL。同样，在从RNA-seq预测ATAC-seq的任务上，LIBRA也表现更优。
3.3 aLIBRA的自适应微调效果
在一个大规模数据集（DS6）上运行aLIBRA的自动微调流程，探索不同超参数组合对整合和预测任务的影响。
- 图A, B：不同的评估指标（如训练误差Q1和整合指标PPJI）对超参数的偏好是不同的。例如，Q1倾向于更复杂的模型，而PPJI在某个点后会饱和。这证明了针对不同任务进行微调的必要性。
- 图D, F：通过自动微调，aLIBRA显著提升了整合性能（PPJI分数从0.79提升到0.82，从0.67提升到0.81），并发现了更多的细胞簇，其性能超越了Seurat4。
- 图G (Pareto最优点)：这是本研究的一个关键发现。通过将整合性能和预测性能绘制在同一张图上，作者发现存在一个“帕累托最优”(Pareto optimal)前沿。这意味着，aLIBRA可以找到一些参数组合，使得模型在整合和预测两个任务上都表现出强大的竞争力。这在一定程度上解决了“没有免费午餐”的困境，即可以找到兼顾多任务性能的模型。
3.4 计算成本
Seurat4是计算速度最快的工具。LIBRA的计算成本是可接受的，并且远低于同样基于AE但架构更复杂的BABEL。LIBRA合理的计算时间是其能够实现大规模自动微调（aLIBRA）的基础。
