通过深度学习实现成对单细胞多组学谱的高效生成.

paper：Efficient Generation of Paired Single-Cell Multiomics Profiles by Deep Learning

0. TL; DR

scMOG（single-cell multiomics generation）框架能够从实验可得的单细胞RNA测序（scRNA-seq）数据中，通过计算的方式（in silico）生成单细胞ATAC-seq数据，反之亦然。

研究结果表明，scMOG能够准确地在RNA和ATAC之间进行跨组学生成。当实验上只有一种组学数据可用时，scMOG能够生成具有生物学意义的配对多组学数据，即使是在训练集之外的数据上也能表现出色。在多项下游分析中，由scMOG生成的ATAC数据，无论是单独使用还是与测量的RNA数据结合使用，其表现都与实验测量的对应数据相当甚至更优。scMOG还被应用于人类淋巴瘤数据，在识别肿瘤样本方面比实验测量的ATAC数据更有效。最后，作者还探究了scMOG在其他组学（如蛋白质组学）上的性能，结果显示其在表面蛋白生成方面同样表现出稳健的性能。

1. 背景介绍

单细胞分离和条形码技术的进步，使得在单细胞分辨率上测量基因表达、染色质可及性、甲基化和蛋白质丰度成为可能，与批量测序时代相比，这带来了前所未有的生物学见解。然而，这些技术通常一次只能表征单细胞的一个层面，这妨碍了我们全面理解细胞过程。

这一空白促进了单细胞多组学测序方案的发展，这些方案可以同时从同一个单细胞中分析多种分子模态。然而，与单组学数据相比，由多组学方案分析的配对测量数据本质上更复杂，噪声也更大。这其中的关键因素在于技术复杂性，例如，临床样本的处理过程可能破坏细胞膜，而组织解离过程可能导致mRNA和蛋白质降解。此外，单细胞多组学分析方案的高成本也严重阻碍了其广泛应用。

根据分子生物学的中心法则，遗传信息从DNA流向RNA，再到蛋白质。这一概念启发我们可以从已测量的单细胞组学数据中生成未测量的组学数据。现有的一些方法，如BABEL和cTP-net，虽然实现了跨模态的翻译或推断，但存在一些局限性，例如在某些翻译方向上性能不佳，或泛化能力有限。此外，一些为数据整合而设计的多组学联合分析方法（如scMM和MultiVI）虽然也具备生成能力，但其生成性能并不理想。

在此背景下，作者提出了一个名为scMOG的深度学习框架，它能够实现跨组学生成，从而高效地生成配对的单细胞多组学测量数据。

2. scMOG框架

scMOG使用深度生成模型，在单细胞分辨率下实现跨组学生成。该框架采用两步法来确保生成过程的准确性。

2.1 步骤一：预训练（Pre-training）

为了使模型能够更好地处理高度稀疏的数据并提高其稳健性，scMOG引入了预训练步骤。以从RNA生成ATAC为例：

首先构建一个RNA编码器（encoder）和一个ATAC解码器（decoder）。编码器将RNA数据映射到一个低维潜在空间，解码器则从这个潜在表示中生成配对的ATAC数据。将生成的ATAC数据与实验测量的ATAC数据一起输入到一个判别器（discriminator）中，进行对抗性学习。这一过程可以初始化模型参数。与从头开始训练相比，预训练使scMOG能够在后续的正式训练中更快地优化，并跳出局部最优解。

2.2 步骤二：正式训练（Training）

在这一阶段，判别器被移除，只保留编码器和解码器。模型针对不同的生成任务采用定制化的损失函数。

RNA生成使用负二项（Negative Binomial, NB）分布损失来量化生成的RNA数据与测量的scRNA-seq数据之间的差异。NB损失函数如下：

\[\begin{aligned} \text{NBloss}(x;\mu, \theta) =& -\theta (\log(\theta + \epsilon) - \log(\theta + \mu)) \\&- x (\log(\mu + \epsilon) - \log(\theta + \mu)) \\&- \log\tau(x+\theta) + \log\tau(x+1) + \log\tau(\theta+\epsilon) \end{aligned}\]

其中，$x$是测量的表达值，$\mu$和$\theta$分别是模型预测的均值和离散度参数，$\epsilon$是一个用于数值稳定的小常数，$\tau$是gamma函数。

ATAC生成考虑到scATAC-seq数据比scRNA-seq数据维度更高、更稀疏，作者引入了Focal loss。与二元交叉熵损失相比，Focal loss更适合处理极度稀疏和不平衡的二值数据，能够提升模型的生成能力。Focal loss定义为：

\[\text{FL}(p_t) = -\alpha_t(1-p_t)^\gamma \log p_t\]

其中，$p_t$是模型对正确类别的预测概率，$\gamma$是可调的聚焦参数，用于平衡难易样本，$\alpha_t$是权重因子，用于平衡正负样本的比例。

2.3 模型架构细节

RNA编码器输入层维度等于基因数，经过两个维度分别为256和64的隐藏层，最终输出一个16维的潜在表示。

ATAC解码器将16维的潜在表示映射到一个64维的隐藏层，再到一个512维的隐藏层，最后输出peak的概率值。

除解码器的最后一层使用Sigmoid函数外，其余所有层都使用LeakyRelu激活函数，以增加网络的非线性并学习复杂的生物学信息。

预训练阶段使用RMSProp优化器，正式训练阶段使用Adam优化器。

3. 实验分析

作者在多个数据集上对scMOG的性能进行了评估，并与BABEL和scMM等基准方法进行了比较。

3.1 scMOG在不同数据集上的跨组学生成性能

实验设置：

“数据集内”（within datasets）：在配对的多组学数据集内部划分训练、验证和测试集，评估模型的生成性能。
“跨数据集”（across datasets）：在一个数据集上训练模型，然后在另一个未参与训练的数据集上进行测试，评估模型的泛化能力。

结论：

图A：在“数据集内”场景中，scMOG和BABEL的性能都显著优于scMM，而scMOG略胜一筹。
图B, C：在更具挑战性的“跨数据集”场景中，scMOG的优势更加明显，特别是在从RNA生成ATAC的任务上。例如，在GM12878数据集上，scMOG生成ATAC的AUROC达到了0.80，而BABEL仅为0.63。
图D：该图直观地展示了scMOG的优越性。在一个“跨数据集”的RNA生成任务中，scMOG生成的RNA表达谱（热图）能很好地恢复与真实测量数据一致的基因表达模式和细胞聚类结构，而BABEL的生成结果则出现了明显的表达丢失和错误。
作者通过比较有无预训练步骤的模型，证明了预训练能够提升跨组学生成的能力，尤其是在“跨数据集”的场景中。

3.2 scMOG能生成具有生物学意义的组学数据

将在配对数据上训练好的scMOG模型，应用于一个只有scATAC-seq数据的PBMC数据集，生成其对应的RNA表达谱，并进行下游分析。

图A (UMAP聚类)：基于scMOG生成的RNA数据进行的UMAP聚类，能够很好地区分出四个主要的细胞群，而基于BABEL生成的数据则只能得到两个模糊的大群。这表明scMOG生成的RNA数据包含了更丰富的生物学信息。
图C (Marker基因表达)：作者检查了多种细胞类型的标志性基因（marker gene）的表达情况。scMOG能够准确地将marker基因的表达推断到正确的细胞类型中，例如将GNLY匹配到NK细胞，将MS4A1匹配到B细胞。相比之下，BABEL在一些细胞数量较少的簇上表现不佳。
图B (ATAC生成)：在反向任务中（从RNA生成ATAC），scMOG生成的ATAC数据同样能够清晰地区分不同的细胞簇，而BABEL在没有进行质控时无法得到清晰的聚类结果。

3.3 生成的染色质可及性谱在联合分析中表现良好

在一个配对的PBMC数据集中，使用测量的RNA数据通过scMOG生成ATAC数据，然后将“生成的ATAC + 测量的RNA”与“测量的ATAC + 测量的RNA”进行多组学联合分析的比较。

图A (覆盖度图)：对于B细胞的标志性基因MS4A1，生成的ATAC数据在该基因区域的覆盖度模式与测量的ATAC数据高度一致。
图B (差异可及性分析)：在CD4幼稚细胞和CD14单核细胞之间进行差异可及性分析，生成的ATAC数据能够准确地重现一个在CD4幼稚细胞中特异性开放的peak。
图C (Motif分析)：在差异可及性peak中进行DNA序列基序（motif）富集分析，从生成的ATAC数据中找到的motif与从测量的ATAC数据中找到的结果一致。

这些结果表明，scMOG生成的ATAC数据质量很高，可以替代实验测量的ATAC数据用于多组学整合分析，以识别调控细胞类型的转录因子。

3.4 scMOG在疾病样本中的应用

将scMOG应用于一个来自淋巴瘤患者的配对多组学数据集，以及一个来自阿尔茨海默病（AD）小鼠模型的数据集。

图A (淋巴瘤数据)：scMOG生成的ATAC数据能够准确地区分出肿瘤B细胞和健康的T细胞、单核细胞等，其聚类结果与测量的ATAC数据一致。
图B (疾病相关基因分析)：在淋巴瘤中，与B细胞受体信号通路相关的基因BANK1在肿瘤B细胞中被抑制。scMOG生成的ATAC数据成功地重现了这一现象。
scMOG生成的ATAC数据同样成功捕捉到了转基因（Tg）小鼠和野生型（WT）小鼠之间在AD相关基因（如Slc1a3）上的差异，并能体现个体间的异质性。

这些结果证明scMOG在复杂的疾病样本中依然表现稳健，并能有效捕捉个体间的异质性。

3.5 scMOG可扩展至蛋白质组学

将scMOG的框架应用于一个包含配对RNA和17种表面蛋白的PBMC CITE-seq数据集，从转录组生成蛋白质组。

图A (热图)：生成的表面蛋白数据在13个细胞簇中的表达模式（热图左）与实验测量的蛋白数据（热图右）高度一致。
图B (小提琴图)：对于CD14, CD19, CD16, CD8a等关键marker蛋白，生成的蛋白丰度分布（小提琴图左）与测量的蛋白丰度分布（小提琴图右）能够同样好地区分不同的细胞类型。

这些发现表明，当只有scRNA-seq数据可用时，scMOG可以被灵活地扩展用于生成细胞表面蛋白数据。