sCIN：单细胞多组学数据集成的对比学习框架.
0. TL; DR
sCIN (single-cell Contrastive INtegration)能够将不同的组学模态整合到一个共享的低维潜在空间中，使用模态特异性编码器和对比学习为每个模态生成潜在表征，从而在对齐跨模态细胞的同时，去除技术特异性的偏倚。sCIN能够灵活地处理两种主流的整合场景：
- 配对数据： 将来自同一个细胞的不同模态测量作为正样本对。
- 非配对数据： 将来自不同模态但属于相同细胞类型的细胞作为正样本对。
作者在三个真实的配对数据集（SHARE-seq, 10X PBMC, CITE-seq）和一个非配对数据集上，对sCIN进行了严格的评估，结果显示sCIN在多个整合质量和聚类质量的评估指标上，均优于其他方法。sCIN能够可靠地整合不同组学模态，同时在配对和非配对场景下都能很好地保留生物学意义。
1. 背景介绍
单细胞多组学技术，如scRNA-seq和scATAC-seq，为我们提供了从多个分子层面同时审视细胞的机会。然而，要将这些来自不同模态的数据有效地整合在一起，却是一项艰巨的任务。其挑战主要源于不同模态在数据分布和特征空间上的巨大差异。
为了应对这一挑战，学术界已经提出了多种计算方法，它们大致可以分为几类：
- 基于线性模型的方法 (如Seurat CCA, MOFA+): 它们依赖PCA或矩阵分解，难以捕捉复杂的非线性关系。
- 基于图的方法 (如Harmony, GCN-SC): 它们通过构建细胞近邻图来进行对齐，但图的构建质量直接影响最终效果。
- 基于深度生成模型的方法 (如MultiVI, Con-AAE, scGLUE): 它们利用VAE或GAN等复杂的神经网络来学习联合表征。这些方法虽然强大，但往往模型复杂、训练不稳定，并且可能依赖于特定的数据分布假设。
作者观察到，尽管这些方法在各自的领域取得了成功，但它们似乎都走向了一个越来越复杂的方向。一个自然的问题是：我们是否能找到一种更简洁、更直观、但同样强大的范式来解决多组学整合问题？
2. sCIN 方法
sCIN的核心思想非常直观：在潜在空间中，应该让来自不同模态但属于同一个生物学单元的细胞嵌入尽可能靠近，而让来自不同生物学单元的细胞嵌入尽可能远离。
sCIN的架构极其简洁，主要由两个并行的模态特异性编码器组成。作者为每种待整合的模态（如scRNA-seq和scATAC-seq）都设计了一个独立的编码器（ $f$ 和 $g$ ）。每个编码器都是一个包含三层全连接层的神经网络，负责将各自模态的高维输入数据（ $x$ 和 $y$ ），投影到一个共享的、固定维度（如128维）的低维潜在空间中。为了确保不同嵌入向量之间的相似度可以被有效度量，所有编码器输出的嵌入向量都会被L2归一化。
sCIN的训练完全由一个对比损失函数驱动。这个损失函数的目标，是在一个mini-batch内，最大化正样本对的相似度，同时最小化负样本对的相似度。
在配对（paired）数据场景下，来自同一个细胞的两种不同模态的测量值（如细胞$i$的RNA谱 $x[i]$ 和ATAC谱 $y[i]$）构成一个正样本对。在非配对（unpaired）数据场景下，来自不同模态但属于相同细胞类型的任意两个细胞（如一个RNA细胞$i$和一个ATAC细胞$j$，它们都属于T细胞）构成一个正样本对。所有不满足正样本对条件的细胞对，都被视为负样本对。例如，来自不同细胞的测量值，或来自不同细胞类型的细胞。
对于一个给定的锚点细胞$i$，其损失函数由两部分组成，分别对应于两个模态的方向：
\[L(i) = - \frac{1}{2} \ln \frac{\exp(f(x[i])g(y[i]))}{\exp(f(x[i])g(y[i])) + \sum_{j \ne i} \exp(f(x[i])g(y[j]))} \\- \frac{1}{2} \ln \frac{\exp(f(x[i])g(y[i]))}{\exp(f(x[i])g(y[i])) + \sum_{j \ne i} \exp(f(x[j])g(y[i]))}\]这个损失函数可以被看作是两个独立的Softmax分类问题。第一项：对于锚点RNA细胞$i$，模型的目标是在一个包含其真实配对的ATAC细胞$i$和其他所有假配对的ATAC细胞$j$的集合中，正确地识别出那个真实配对。第二项：对于锚点ATAC细胞$i$，模型也需要做同样的事情。
通过最小化这个对称的交叉熵损失，模型被激励去学习一个嵌入空间，在这个空间里，正样本对的内积（相似度）远大于负样本对。整个训练过程非常简单直接：在每个epoch中，随机采样一个mini-batch，计算总损失，然后通过反向传播更新两个编码器的权重。
3. 实验分析
作者在三个真实的配对数据集（SHARE-seq, PBMC 10k, CITE-seq）和一个非配对数据集（Muto-2021肾脏数据）上，对sCIN的性能进行了全面的基准测试，并与scGLUE, scBridge, sciCAN, Con-AAE, Harmony, MOFA+等六种SOTA方法进行了比较。
3.1 实验一：在配对数据集上的评估
SHARE-seq数据集:
- 图a, b： 在整合质量方面，sCIN在Recall@k和中位数秩次（Median Rank）两个指标上均显著优于所有其他方法，表明其学习到的跨模态细胞对齐最为精准。
- 图c, d： 在生物学信息保留方面，sCIN的细胞类型准确率最高，平均轮廓宽度（ASW）也名列前茅（仅次于Con-AAE），证明其在对齐的同时很好地保留了细胞类型的区分度。
- 图e, f： t-SNE可视化直观地显示，sCIN整合后的嵌入空间比原始数据展现出更清晰的细胞簇结构。
PBMC 10k数据集: 在这个更复杂的数据集上，sCIN再次在所有四个评估指标上取得了全面领先的性能。其整合后的t-SNE图同样展现了卓越的细胞类型分离效果。
CITE-seq数据集: 为了验证其处理不同模态的能力，作者在包含RNA和蛋白质的CITE-seq数据上进行了测试。sCIN的性能再次全面超越所有竞争对手，特别是在Recall@k指标上，其性能随着k的增大而持续提升，显示了其强大的近邻识别能力。
3.2 实验二：在模拟的非配对数据集上的评估
作者通过从配对数据集中模拟非配对场景（即保留不同细胞的RNA和ATAC数据），来系统性地评估sCIN在处理非配对数据时的性能，并探究了细胞类型重叠比例的影响。
- 图a： 展示了如何从配对数据模拟非配对数据。
- 图b, c, d： 结果显示，随着两种模态间共享细胞类型比例的增加（从1%到50%），sCIN的性能（Recall@k, 细胞类型准确率, ASW）稳步提升，并逐渐接近使用完全配对数据训练时的性能。这表明，sCIN能够有效地利用非配对数据中有限的共享细胞类型信息，来实现鲁棒的整合。
- 图g： 即使只在50%重叠的非配对数据上训练，sCIN的整合嵌入空间也展现出了清晰的细胞簇结构。
- 图e, f： 作者在一个真实的、非配对的人类肾脏snRNA-seq和snATAC-seq数据集（Muto-2021）上进行了测试。由于是非配对数据，作者使用了更关注细胞类型对齐的cell type@k指标。sCIN的cell type@k得分（平均0.938）显著高于其他所有能够处理非配对数据的方法，如scGLUE和sciCAN。sCIN的ASW得分（平均0.761）同样是最高的。
