0. TL; DR

StabMap 是一种专门为马赛克数据整合（mosaic data integration）设计的方法，通过利用非重叠特征来稳定单细胞数据的映射。StabMap基于数据集之间共享特征的数量构建一个MDT图，通过在MDT图上沿最短路径进行遍历，来将所有细胞投影到一个或多个参考坐标上。

StabMap为处理特征不完全重叠的复杂单细胞数据集，提供了一个强大、灵活且性能优越的解决方案。在各种模拟场景中表现出色，尤其是在共享特征很少的情况下。实现了多跳马赛克数据整合。能够利用空间基因表达特征，将解离的单细胞数据映射到空间转录组参考上。

1. 背景介绍

单细胞测序技术的飞速发展，为我们带来了前所未有的、多样化的分子测量手段。我们不仅可以测量细胞的RNA表达，还可以同时或分别测量其染色质可及性（chromatin accessibility）、表面蛋白丰度（cell surface protein abundance）、空间位置（spatial location）等。这催生了一个核心的计算挑战：如何将这些来自不同技术、具有不同特征集的“马赛克（mosaic）”式数据，整合到一个统一的分析框架中？

现有的数据整合方法，在处理这种马赛克数据（mosaic data）时，面临着几个关键的局限性：

依赖共同特征 (Common Features): 大多数方法，如一些基于图（graph-based）的方法，都要求所有待整合的数据集之间，必须存在一组共同的特征。这导致分析人员不得不丢弃大量的非重叠特征（non-overlapping features），从而造成严重的信息损失。
中心法则假设 (Central Dogma Assumption): 为了创造共同特征，许多方法依赖中心法则假设，例如将启动子区域的ATAC-seq信号与对应的基因表达进行匹配。这种假设虽然在很多情况下合理，但并不总是成立，且限制了方法的通用性。
无法处理“多跳”场景: 对于两个没有任何共同特征的数据集（例如，一个纯粹的蛋白质组学数据集和一个纯粹的转录组学数据集），如果不存在一个同时测量了这两种模态的“桥梁”数据集，传统方法将束手无策。
灵活性和通用性不足: 许多先进的方法，如Cobolt或MultiVI，虽然在特定的整合任务（如RNA + ATAC）上表现出色，但它们缺乏灵活性，难以推广到包含更多或不同类型模态的场景。

为了系统性地解决这些问题，作者提出了StabMap。它旨在成为一个专门为马赛克数据整合设计的、通用的计算框架。其核心思想是，不再局限于所有数据集的特征交集，而是通过一个“马赛克数据拓扑图”，利用数据集之间的成对共享特征，实现信息的逐步传递和投影。

2. StabMap 方法

StabMap的核心是通过构建一个马赛克数据拓扑（Mosaic Data Topology, MDT）图，并在这个图上进行迭代式的线性投影，来实现对异构特征数据集的整合。

2.1 马赛克数据拓扑 (MDT) 的构建

MDT图中的每个节点，代表一个待整合的数据集（或一个模态）。如果两个数据集之间存在至少一个共享特征，就在它们对应的节点之间连接一条边。边的权重由两个数据集之间共享特征的数量来定义。

StabMap只要求最终构建的MDT图是连通的（connected），即从任何一个数据集节点，都存在一条路径可以到达任何其他数据集节点。这使得StabMap能够处理那些两两之间没有共同特征的“多跳（multi-hop）”整合场景。

2.2 StabMap 算法流程

StabMap通过将所有细胞投影到一个或多个参考坐标（reference coordinates）系中，来生成一个统一的嵌入。

用户可以指定一个或多个数据集作为参考数据集（reference dataset） $D_r$。默认情况下，所有数据集都会轮流作为参考。

对于一个选定的参考数据集 $D_r$，作者首先利用其全部特征，通过一个降维算法（无监督模式下使用PCA，有监督模式下使用LDA），得到一个分数矩阵（scores matrix） $S_r$（细胞 × 低维坐标）和一个载荷矩阵（loadings matrix） $A_r$（特征 × 低维坐标）。

对于任何一个非参考数据集 $D_i$，StabMap会计算它在MDT图上到参考数据集 $D_r$ 的最短路径。

如果 $D_i$ 和 $D_r$ 在MDT图上直接相连，作者会使用它们之间的共享特征，训练一个多元线性回归模型（multivariable linear model）。这个模型学习如何用共享特征，来预测参考数据集 $D_r$ 的分数 $S_r$。然后，将这个训练好的模型，应用到 $D_i$ 的共享特征上，从而得到 $D_i$ 中细胞在参考坐标系下的投影分数 $S_i^r$。
如果 $D_i$ 和 $D_r$ 之间没有直接连接，StabMap会沿着MDT图上的最短路径，进行迭代式的投影。例如，如果路径是 $D_r \to D_p \to D_i$，模型会先学习一个从 $D_r$ 到 $D_p$ 的映射，得到 $D_p$ 的投影分数 $S_p^r$；然后再学习一个从 $D_p$ 到 $D_i$ 的映射，最终得到 $D_i$ 在参考坐标系下的投影分数 $S_i^r$。

如果选择了多个参考数据集，上述过程会重复多次，得到多个不同的嵌入矩阵。StabMap将这些嵌入矩阵进行重加权（reweighting）（默认为等权重），然后拼接起来，形成最终的、统一的StabMap嵌入。这个最终的嵌入可以用于各种下游分析，如批次校正、聚类、可视化等。

3. 实验分析

作者通过一系列精心设计的模拟和真实数据实验，全面地评估了StabMap的性能。

3.1 实验一：整合RNA和ATAC数据

作者使用一个PBMC Multiome数据集，模拟了将scRNA-seq和**scATA

图b (可视化): StabMap与其他方法（PCA, UINMF, MultiMAP）都能在UMAP图上实现不同模态细胞的混合和细胞类型的分离。
图c (细胞类型预测): 在预测ATAC细胞类型的任务中，StabMap的准确率最高。
图d (邻域保持): StabMap的Jaccard相似性最高，表明它最好地保持了来自同一个细胞的RNA和ATAC测量值在整合空间中的邻近关系。
图e (匹配细胞距离): StabMap使得绝大多数RNA细胞与其配对的ATAC细胞之间的距离，比与其他任何不配对的ATAC细胞都近。

这些结果一致表明，StabMap在整合具有部分共享特征的scRNA-seq和scATAC-seq数据时，性能优于其他方法。

3.2 实验二：在非最优特征下的稳定映射

作者模拟了一个更具挑战性的场景：一个包含全转录组的“参考”数据集，和一个只包含少量随机选择基因的“查询”数据集。

图g (可视化): 当查询数据集只包含少量（如200个）非最优特征时，PCA, MultiMAP和UINMF生成的嵌入中，查询细胞的结构几乎完全丢失。而StabMap依然能够保持清晰的细胞类型结构。
图h (定量评估): 随着共享基因数量的减少，所有方法的细胞类型预测准确率都下降了。然而，StabMap的性能下降得最慢，并且在共享特征极少（如50个基因）的情况下，其准确率远高于其他方法。

这证明了StabMap的核心优势：它能够有效地利用非共享特征中的信息，从而在共享特征信息不足时，实现稳定的映射。

3.3 实验三：多跳马赛克数据整合 (Multi-hop Mosaic Data Integration)

作者模拟了一个场景，其中RNA数据集和ATAC数据集之间没有任何共同特征，它们只能通过一个同时拥有两种模态特征的“桥梁”：Multiome数据集，在MDT图上连接起来。

图a,b (可视化): StabMap成功地将这三个数据集整合到了一个统一的嵌入空间中，不同来源的细胞被很好地混合，同时细胞类型清晰可辨。
图c (桥梁大小影响): 作者进一步探究了“桥梁”数据集大小的影响。结果显示，当桥梁数据集的细胞数少于1000个时，整合质量会显著下降。但只要桥梁数据集的大小适中，StabMap就能实现鲁棒的多跳整合。
图d-k (更复杂的“多跳”): 作者还展示了在更复杂的蛋白质组学、空间组学场景下的多跳整合能力，并成功地利用一个模态的信息，来为另一个模态的细胞进行类型注释或特征填补。

3.4 实验四：空间映射与生物学发现

作者将StabMap应用于一个复杂的真实生物学问题：整合来自小鼠原肠胚的scRNA-seq数据和seqFISH空间转录组数据，以研究Brachyury (T)基因敲除对胚胎发育的影响。

图a,b (整合): StabMap成功地将解离的scRNA-seq细胞和具有空间坐标的seqFISH细胞，整合到了一个统一的嵌入空间中。
图c,d,e (空间富集分析): 通过这个联合嵌入，作者能够为每个seqFISH细胞，计算其邻域中T基因敲除 (T−/−)细胞的富集程度。作者发现，在内脏中胚层（splanchnic mesoderm）中，T−/−细胞的富集程度与细胞沿前后轴（AP axis）的位置高度相关。
图f,g (基因表达模式): 进一步的分析揭示，在富含T−/−细胞的前部区域，Tbx1和Fgf8等基因高表达；而在T−/−细胞被耗尽的后部区域，Foxf1和Wnt2等基因高表达。

这个案例完美地展示了，StabMap不仅是一个数据整合工具，更是一个强大的生物学发现引擎。它能够通过融合不同来源、不同模态的数据，揭示出单一数据集无法观察到的、复杂的空间调控模式。