使用自编码器实现单细胞成像与测序数据的多域翻译.
0. TL; DR
本文提出了一种通过学习不同数据模态之间的概率耦合来整合它们的方法。该方法为每种数据模态（如scRNA-seq和染色质图像）训练一个独立的自编码器。通过一个对抗性判别器强制所有自编码器学习到的潜在空间分布保持一致，从而将所有模态的数据对齐到一个共享的嵌入空间中。
作者通过整合单细胞RNA-seq和染色质图像，成功地在人类初始CD4+ T细胞中识别出了两个不同的亚群：一个处于静息态（quiescent），另一个则处于准备激活（poised for activation）的状态。
1. 背景介绍
在单细胞研究领域拥有两大类强大的武器：
- 测序技术 (Sequencing): 如scRNA-seq和scATAC-seq。它们提供全基因组范围的、高通量的分子信息，但代价是完全丢失了细胞在组织中的空间信息和形态特征。
- 成像技术 (Imaging): 如高分辨率显微镜。它们能直观地观察到细胞的形态、空间位置以及少数蛋白质的分布，但通常无法提供全基因组范围的深度信息。
现有的整合方法大多专注于整合不同类型的测序数据，它们处理的数据结构相对同质。而要整合结构迥异的成像数据和测序数据，则面临着更大的困难。
为此，作者提出了一个基于自编码器的计算框架。它旨在学习一个共享的潜在空间，作为连接不同数据模态的通用语言，从而实现任意两种模态之间的整合与翻译。
2. CMAE 方法
作者提出的框架，其核心思想是为每种数据模态训练一个独立的自编码器，并通过一个对抗性目标函数，将它们的潜在空间对齐。
2.1 概率模型框架
作者将多模态整合问题置于一个概率框架下。假设存在一个共同的、不可观测的潜变量 $Z$，它代表了细胞的真实内在状态。观测到的每种模态的数据 $X_i$，都是由这个 $Z$ 通过一个模态特异性的、确定性的生成函数 $f_i$ 加上一些噪声 $N_i$ 生成的。
\[X_i = f_i(Z, N_i)\]因此，整合的目标就变成了：根据观测到的各个模态的边缘分布 $P_{X_i}$，来学习联合分布 $p_X(x)$，以及其背后的潜在分布 $p_Z(z)$ 和生成函数 $f_i$。
2.2 基于自编码器的实现
作者使用自编码器来近似这个学习过程。
对于每一种数据模态$i$（如scRNA-seq、染色质图像），作者都训练一个独立的自编码器。每个自编码器包含一个编码器 $E_i$ 和一个解码器 $D_i$。编码器 $E_i$ 负责将原始数据 $x_i$ 映射到共享的潜在空间 $\mathcal{Z}$。解码器 $D_i$ 负责将潜在空间中的向量重构回原始数据空间。自编码器的架构可以根据数据类型进行定制。例如，对基因表达数据使用全连接网络，对图像数据使用卷积网络。
为了确保所有模态都被映射到同一个潜在空间分布中，作者引入了一个对抗性的学习目标。引入一个判别器（discriminator），它的任务是区分一个潜在空间中的向量是来自模态$i$的编码器，还是来自模态$j$的编码器。在训练过程中，判别器努力提高其区分能力，而所有编码器则努力生成让判别器无法区分的嵌入。这种对抗博弈，通过一个判别性损失（discriminative loss）来实现，它等价于最小化两个潜在分布之间的JS散度（Jensen-Shannon divergence）。
\[L_2(P|Q) := \max_f \mathbb{E}_{x \sim P}[\log f(x)] + \mathbb{E}_{x \sim Q}[\log(1-f(x))]\]对于每个自编码器，其总损失函数由两部分组成：$L_1$ 是重构损失（reconstruction loss），确保编码器保留了数据的主要信息。$L_2$ 是对抗性对齐损失，确保模态$i$的潜在分布与另一个模态$j$的潜在分布对齐。
\[\mathbb{E}_{x \sim P_{X_i}} [L_1(x, D_i(E_i(x))) + \lambda L_2(E_i \# P_{X_i} | P_{\hat{Z}_j})]\]作者通过交替训练不同模态的自编码器，直到所有模态的潜在分布都收敛到一个不变的潜在分布。
2.3 跨模态翻译
一旦所有模态的潜在空间被成功对齐，实现跨模态翻译就变得非常简单：要将模态$i$的数据 $x_i$ 翻译成模态$j$，只需将 $x_i$ 先通过编码器 $E_i$ 映射到潜在空间，然后再通过解码器 $D_j$ 重构出来即可。
\[X_{i \to j}(x_i) := D_j(E_i(x_i))\]
2.4 融合先验知识
该框架还可以方便地融合各种先验知识。例如，如果已知某些细胞是配对的，作者可以增加一个锚点损失（anchor loss），来显式地最小化这些配对细胞在潜在空间中的距离。
\[\sum_{i=1}^m \| E(x_i) - E'(x'_i) \|\]3. 实验分析
作者通过一系列巧妙的实验，展示了其框架在整合和翻译scRNA-seq数据与染色质图像数据方面的强大能力，并进行了生物学验证。
3.1 实验一：在配对RNA/ATAC数据上验证模型性能
作者首先在一个具有金标准细胞配对信息的scRNA-seq/scATAC-seq数据集（A549细胞系）上，验证了其框架的有效性，并与DCCA, Seurat, CycleGAN, MAGAN等方法进行了比较。
在无监督（不使用配对信息）的设定下，作者的跨模态自编码器在细胞类型分类准确率和k近邻准确率上，其性能与SOTA的DCCA相当，并优于Seurat（图ab）。
在半监督（使用部分配对信息作为锚点）的设定下，作者的模型性能随着配对信息比例的增加而提升，并持续优于DCCA, CycleGAN和MAGAN。特别地，仅使用25%的配对信息，其性能就已经能达到使用100%配对信息的DCCA的水平（图cde）。
3.2 实验二：整合scRNA-seq与染色质图像
作者分别对人类初始CD4+ T细胞进行了scRNA-seq测序和DAPI染色成像，并试图整合这两种非配对的数据。
图a,b,c,d (scRNA-seq分析): 首先，仅对scRNA-seq数据进行分析，作者在初始CD4+ T细胞中发现了两个不同的亚群：一个处于静息态（quiescent），另一个的表达谱更接近激活的T细胞，因此被定义为准备激活态（poised for activation）。
图e,f,g (染色质图像分析): 接着，仅对细胞核的DAPI图像进行分析，通过量化不同核半径层内的染色质密度，作者同样发现了两个亚群：一个的染色质更集中在核中央（central），另一个则更集中在核外周（peripheral）。
这两个独立的发现引出了一个关键问题：静息态/激活态的转录差异，与中央/外周的染色质结构差异，是否存在对应关系？
3.3 实验三：跨模态翻译与验证
作者使用其跨模态自编码器框架，整合了上述的scRNA-seq和染色质图像数据，并进行了双向翻译和验证。
- 图a, b (整合): UMAP和LDA图显示，两种模态的数据在潜在空间中被完美地对齐。更重要的是，来自scRNA-seq的静息态/激活态亚群，与来自图像的外周/中央染色质亚群，在潜在空间中精确地对应了起来。
- 图c (ROC分析验证): 作者进行了交叉验证。用一个在RNA数据上训练的、用于区分静息/激活的分类器，去测试由图像翻译过来的RNA数据，其AUC高达0.95。反之亦然。这强有力地证明了跨模态翻译的准确性。
- 图d (预测DE基因): 作者利用由图像翻译过来的RNA数据，预测了中央/外周两种染色质模式之间的差异表达基因。这些预测出的DE基因，与在真实scRNA-seq数据中静息/激活亚群间的DE基因，表现出极强的相关性。
- 图e (预测Marker基因): 预测出的marker基因与真实的marker基因集合，也具有显著的重叠。
3.4 实验四：湿实验验证
为了最终证实模型的预测，作者进行了蛋白质免疫荧光（immunofluorescence）染色实验。
模型预测，CORO1A基因在具有中央染色质模式的细胞中高表达，而RPL10A基因则在具有外周染色质模式的细胞中高表达（图a）。
作者对这两种蛋白进行了染色，并定量分析了它们的荧光强度。结果与模型的预测完全一致：CORO1A蛋白在中央型细胞中显著富集，而RPL10A蛋白则在外周型细胞中富集（图bc）。
这一系列计算和实验的闭环，最终揭示了一个重要的生物学机制：在人类初始CD4+ T细胞中，外周富集的染色质模式与静息态的基因表达程序相关，而中央富集的染色质模式则与准备激活态的基因表达程序相关（图d）。
这个案例完美地展示了作者的框架如何通过整合结构迥异的数据，来生成可验证的生物学假设，并最终推动新的生物学发现。
