0. TL; DR

SCIM (Single-Cell data Integration via Matching)是一种可扩展的、旨在恢复两种或多种技术间细胞对应关系的方法。SCIM假设不同技术测量下的细胞共享一个共同的低维潜在结构，将细胞配对问题形式化为一个二分图匹配问题，并利用高效的网络流算法（最小成本最大流）来寻找最优的细胞配对方案。

在模拟的细胞分化过程数据上，SCIM恢复的细胞配对关系与真实的伪时间顺序高度相关。在真实的黑色素瘤和人骨髓样本中，SCIM在配对scRNA-seq和CyTOF数据时，分别实现了高达90%和78%的细胞类型匹配准确率。

1. 背景介绍

单细胞技术能够以前所未有的粒度，从转录组、蛋白质组、基因组等多个层面剖析组织微环境。每一种技术都像一个独特的镜头，展现了细胞状态的不同侧面。为了获得对生物系统最全面的理解，将这些来自不同镜头的视图整合起来至关重要。

然而，一个严峻的现实是，大多数单细胞分析技术都是破坏性的——细胞在被测量后即被消耗。这意味着，当我们用scRNA-seq分析一批细胞，再用CyTOF（质谱流式细胞术）分析另一批来自同一组织样本的细胞时，失去了细胞间的一一对应关系。如何在这种特征不匹配、细胞不配对的情况下为细胞重新建立联系，是单细胞多组学整合领域最核心、也最普遍的挑战之一。

现有的方法大多存在局限性：

依赖特征对应：像Seurat、LIGER等方法，通常需要特征之间存在某种对应关系（如基因名相同）才能进行整合。这限制了它们在整合完全异构的模态（如基因表达与细胞形态图像）时的应用。
受限于特定数据类型或结构：一些方法（如MATCHER）假设数据背后存在一维的、单调的潜在结构（如简单的时间序列），这无法处理复杂的分支状分化过程。
可扩展性差：另一些方法（如MMD-MA、UnionCom）依赖于计算大型核矩阵，当细胞数量巨大时，其计算和内存开销变得难以承受。

因此需要一个通用、可扩展、且不依赖特征对应的框架，来解决这个普遍的细胞匹配问题。

2. SCIM 方法

SCIM通过两个核心步骤，将一个源技术（source technology）的细胞与一个或多个目标技术（target technologies）的细胞进行匹配。

2.1 步骤一：构建技术不变量的潜在空间

SCIM的目标是学习一个共享的潜在空间，在这个空间中，细胞的表示与其来源的技术无关。这是通过一个带有对抗性目标的自编码器（Autoencoder）框架实现的。

SCIM为每一种技术（模态$k$）都构建一个独立的变分自编码器（VAE），包含一个编码器 $w_k$ 和一个解码器 $\phi_k$。编码器 $w_k$ 负责将该模态的高维数据 $x_k$ 映射到一个共享的、低维的潜在空间，得到潜在表示 $z_k$。解码器 $\phi_k$ 负责从潜在表示 $z_k$ 中重构出原始数据 $\tilde{x}_k$。

为了确保不同模态的潜在表示 $z_k$ 能够被整合到同一个空间并变得不可区分，SCIM引入了一个判别器网络（Discriminator, $\psi$）。判别器是一个二分类器，它的任务是去分辨一个给定的潜在表示$z$到底是来自源技术，还是来自目标技术。整个框架的训练过程是一场对抗博弈：判别器$\psi$ 努力最大化其分类准确率，而每个模态的编码器$w_k$ 则努力生成让判别器混淆的潜在表示，即最小化判别器的分类准确率。这个对抗过程的目标函数可以形式化为：

\[L(x_t, \hat{z}_s, w_t, \phi_t) = L_{nll}(x_t, w_t, \phi_t) + \beta L_{adv}(\hat{z}_s, \hat{z}_t, w_t)\]

其中$L_{nll}$ 是标准的VAE重构损失（负对数似然），确保潜在表示包含了足够的信息来恢复原始数据。$L_{adv}$ 是对抗性损失，即判别器的分类误差。编码器通过最大化这个误差，来欺骗判别器。$\beta$ 是一个超参数，用于权衡重构质量和整合程度。

为了解决对抗训练中潜在空间可能出现的方向翻转问题（即两个模态的流形结构对齐了，但方向相反），SCIM采用了半监督策略。在训练时，为一小部分细胞（如10%）提供其粗略的类别标签（如细胞大类），并将其作为额外信息输入判别器。这少量的监督信号足以帮助模型正确地定向潜在空间，稳定训练过程。

2.2 步骤二：基于二分图匹配的细胞配对

在学习到一个高质量的、技术不变量的潜在空间后，每个细胞都有了一个低维的坐标。下一步，就是在这个空间中为细胞寻找最佳配对。

作者将细胞配对问题形式化为一个经典的组合优化问题：二分图上的最大权重匹配（Maximum Weight Matching），也等价于最小成本最大流（Minimum-Cost Maximum-Flow）问题。

构建一个二分图，图的两边分别是源技术和目标技术的细胞。任意两个跨技术的细胞之间的边的成本（cost），定义为它们在潜在空间中的欧氏距离。目标是找到一个匹配方案，使得所有配对细胞的总距离（总成本）最小。

由于单细胞数据集的规模巨大，直接在所有细胞对上构建完整的二分图并求解，在计算上是不可行的。因此，SCIM首先通过构建一个k-最近邻（kNN）图来大大稀疏化问题。对于每个细胞，只考虑其$k$个最可能的匹配候选（即在潜在空间中距离最近的$k$个细胞），从而极大地减少了需要考虑的边的数量。

在真实的生物样本中，由于采样偏差，一个数据集中可能存在另一个数据集中没有的细胞。为了处理这种情况，SCIM在二分图中引入了一个空节点（null node）。任何细胞都可以选择与这个空节点匹配，但需要付出较高的惩罚成本。这使得那些在另一个数据集中找不到合适匹配的细胞，能够被优雅地处理，而不是被强行错误匹配。

当两个数据集的细胞数量不同时（例如，scRNA数据比CyTOF数据少），SCIM允许一对多的匹配。这是通过调整网络流模型中汇点的容量来实现的。

通过以上设计，SCIM能够高效、鲁棒地在整合后的潜在空间中，为大规模、不均衡、且可能包含特有细胞群的数据集找到最优的细胞配对。

3. 实验分析

作者在模拟数据集和两个真实的、来自肿瘤和健康样本的多组学数据集上，对SCIM的性能进行了验证。

3.1 实验一：模拟数据的轨迹对齐

作者使用PROSSTT工具生成了三个模拟的单细胞数据集，它们共享一个复杂的分支状伪时间轨迹，但特征完全不相关。

SCIM成功地整合了这三个模拟数据集。更重要的是，通过SCIM找到的细胞配对，其伪时间值高度相关（Pearson相关系数0.86，Spearman相关系数0.83）。在密度图上可以看到，绝大多数配对都落在了对角线附近，表明SCIM准确地恢复了细胞在分化轨迹上的相对位置。绝大多数的错误匹配都发生在轨迹的分支点，这符合生物学预期，因为在这些点上细胞身份本身就是模糊的。

3.2 实验二：整合黑色素瘤样本的scRNA与CyTOF数据

作者使用SCIM来匹配来自同一个黑色素瘤患者样本的scRNA-seq数据和CyTOF（蛋白质）数据。

SCIM成功地将两种模态的数据整合到了一个统一的t-SNE空间中。基于这个空间进行的细胞配对，在恢复细胞大类标签（T细胞 vs. B细胞）方面的准确率高达90%。

作者进一步检查了配对细胞的marker表达。结果显示，配对细胞的CD20（B细胞marker）和CD3（T细胞marker）在RNA水平和蛋白水平均表现出显著的正相关（Pearson相关系数分别为0.63和0.51）。考虑到RNA和蛋白质表达之间普遍存在的弱相关性，这是一个非常强的信号，证明了SCIM匹配的生物学意义。

相比于直接在原始数据空间（只使用共享特征）中进行匹配，SCIM基于潜在空间的匹配能够利用到几乎所有（>98%）的细胞，而前者只能利用不到30%的细胞，且效果不佳。

3.3 实验三：恢复人骨髓样本中的T细胞亚群

作者进一步测试了SCIM在更精细的细胞亚群上的匹配能力，目标是匹配来自人骨髓样本的scRNA和CyTOF数据中的T细胞亚群（如CD8效应T细胞，CD4初始T细胞，CD4记忆T细胞）。

即便是在这些转录谱和蛋白谱都高度相似的T细胞亚群之间，SCIM依然取得了高达78%的亚群匹配准确率（在使用10%标签的半监督模式下）。如果只考虑区分CD4和CD8这两大类，准确率更是提升到了86%。

结果表明，即使只使用极少数（10%）的细胞标签来辅助训练，SCIM也能够学习到一个高质量的、方向正确的潜在空间，并实现精准的细胞亚群匹配。

这些实验结果充分证明了SCIM作为一个通用框架，在处理无特征对应的、异构单细胞多组学数据整合与匹配问题上的强大能力和广泛适用性。