scMCs：单细胞多组学数据集成和多聚类框架.

0. TL; DR

scMCs (single-cell data fusion based Multiple ClusteringS) 是一个能够联合建模单细胞转录组和表观组数据，并能探索多种不同聚类模式的方法。scMCs 挖掘出组学特异性（omics-specific）和跨组学一致性（cross-omics consistent）的表征，然后将它们融合为一个共嵌入表征（co-embedding representation）。

实验结果表明，scMCs能够有效地识别亚细胞类型、插补dropout事件，并通过给出不同但有意义的聚类结果，揭示出细胞多样的生物学特性。

1. 背景介绍

单细胞多组学技术，特别是scRNA-seq和scATAC-seq的联合分析，为我们深入理解基因调控和细胞异质性提供了强大的工具。然而这些数据面临固有的稀疏性、噪声和维度不匹配等挑战。现有的整合方法虽然层出不穷，但大多存在两个关键的局限性：

  1. 个体性与共性的失衡：
    • 许多方法（如基于矩阵分解的JSNMF或流形对齐的UnionCom）倾向于将不同模态的数据强制投影到一个共享的潜在空间中，以捕捉它们的共性（commonality）。然而，这往往以牺牲每个模态独特的个体性（individuality）为代价。
    • 另一些方法（如DCCA）则为每个模态学习独立的潜在空间，更侧重于保留个体性，但在捕捉共性方面可能稍显不足。
    • 一个理想的整合模型，应该能够同时捕捉并有效融合这两种信息，以获得一个更全面、更具区分度的细胞表征。
  2. 单一聚类视角的局限：
    • 现有的几乎所有单细胞聚类方法，其最终目标都是找到一个最优的细胞类型划分。
    • 然而，在复杂的生物系统中，细胞的身份是多维度的。除了按类型划分，它们还可以按功能、状态（如激活、静息）、发育阶段或组织特异性等多种方式进行划分。
    • 只提供一种聚类结果，就像只用一个角度去观察一个多面体，必然会错过很多重要的信息。

为了突破这些局限，作者提出了一个全新的框架。它不仅要解决个体性与共性的融合问题，更要从多组学数据中，挖掘出多种有意义的、可供选择的细胞划分方案。

2. scMCs 方法

scMCs的框架包含两个核心模块：一个用于数据融合与单聚类的模块，另一个用于挖掘多重聚类的模块。

2.1 模块一：多组学数据融合与共嵌入

这个模块的目标是学习一个融合了个体性和共性的、信息丰富的共嵌入表征（co-embedding representation） $Z_I$。

⚪ 学习组学个体性 (Individuality)

首先，scMCs使用两个独立的自编码器，将scRNA-seq数据 $X$ 和scATAC-seq数据 $Y$ 分别编码到各自的低维空间，得到 $Z_X$ 和 $Z_Y$。

为了从全局视角探索细胞间的相似性并强化组学特异性信号，作者引入了注意力机制。通过计算细胞间的自相关矩阵 $A_X, A_Y$，并将其与原始嵌入相乘，得到经过注意力加权的表征 $Z_{gX}$ 和 $Z_{gY}$。

\[A_X = \text{softmax}(\frac{Z_X (Z_X)^T}{\sqrt{d}}) \quad Z_{gX} = A_X Z_X\]

为了进一步增强每个表征的个体性，作者设计了一个组学标签判别器。这个判别器被训练来区分一个细胞嵌入是来自RNA还是ATAC。通过一个对抗性的判别器损失 $L_{dis}$，编码器被迫学习更具模态特异性的特征。

⚪ 学习跨组学共性 (Commonality)

为了捕捉不同模态间的共享信息，scMCs引入了跨组学对比学习（cross-omics contrastive learning）策略。

首先通过一个共享的MLP（多层感知机），将 $Z_X$ 和 $Z_Y$ 投影到一个共享的语义空间中，得到 $Q_X$ 和 $Q_Y$。

然后通过最大化$Q_X$和$Q_Y$之间的互信息（Mutual Information）来优化一个对比损失 $L_{cl}$。这会拉近来自同一个细胞的不同模态的表示，从而学习到它们的共性。

\[L_{cl} = -(I(Q_X, Q_Y) + \gamma(H(Q_X) + H(Q_Y)))\]

最终，将 $Q_X$ 和 $Q_Y$ 通过一个全连接层融合，得到共性表征 $Z_{XY}$。

⚪ 特征融合与数据插补

将学习到的个体性表征（$Z_{gX}$, $Z_{gY}$）和共性表征（$Z_{XY}$）通过一个加权求和，融合成最终的共嵌入表征 $Z_I$。

\[Z_I = Z_{XY} + k_x Z_{gX} + k_y Z_{gY}\]

这个信息丰富的 $Z_I$ 被用于指导数据插补。scMCs为两种模态设计了不同的生成式解码器：

通过最小化重构损失 $L_{ZINB}$ 和 $L_{Ber}$，模型在学习 $Z_I$ 的同时，也实现了对原始数据的去噪和插补。

2.2 模块二：多重聚类挖掘

这个模块旨在从共嵌入表征 $Z_I$ 中，发现多种有意义的替代性聚类。

scMCs巧妙地利用多头注意力机制（multi-head attention），将 $Z_I$ 投影到L个不同的显著子空间（salient subspaces） ${O_l}_{l=1}^L$ 中。由于每个头都有独立的、可学习的变换参数，理论上它们能捕捉到 $Z_I$ 中不同的侧面或视角。

为了确保这L个子空间能产生既多样又高质量的聚类结果，scMCs引入了两个关键的损失项：

\[L_{red} = \sum_{l \ne l'} \text{HSIC}(O_l, O_{l'})\] \[L_{clu} = \sum_{l=1}^L KL(P_l \| R_l) = \sum_{l=1}^L \sum_i \sum_j p_{ij} \log \frac{p_{ij}}{r_{ij}}\]

通过一个统一的目标函数，联合优化重构损失、冗余控制损失和聚类损失，scMCs能够以端到端的方式，同时生成L个具有高质量和多样性的替代性聚类结果。

3. 实验分析

作者在四个真实的、配对的scRNA-seq/scATAC-seq数据集上，对scMCs的性能进行了全面的评估，并与JSNMF, UnionCom, scMVAE, DCCA等SOTA方法进行了比较。

3.1 实验一：单聚类性能

首先，作者评估了scMCs在标准的单聚类任务（即找到主要的细胞类型划分）上的性能。

在所有四个数据集上，scMCs在聚类准确性（NMI和ARI指标）上均取得了最佳性能，并且在大多数情况下，其优势是统计显著的。相比于其他深度模型（如scMVAE, DCCA），scMCs的优势在于它能够同时融合个体性和共性信息。相比于浅层模型（如JSNMF, UnionCom），scMCs的优势在于其

3.2 实验二：数据插补性能

作者通过可视化和聚类指标，比较了原始数据和经过不同方法插补后的数据。结果显示，基于scMCs插补后的数据，其聚类效果（NMI和ARI）显著优于基于其他方法插补后的数据。

在AdBrain数据集上，利用scMCs插补后的scATAC数据，能够准确地识别出不同神经元亚型的marker genes和差异可及性peaks。这些结果证明，scMCs学习到的共嵌入表征 $Z_I$ 信息丰富，能够有效地指导高质量的数据插补。

3.3 实验三：多重聚类挖掘

作者展示了如何在CellMix数据集上发现一个有意义的替代性聚类。

scMCs成功地生成了两个聚类结果 $C_1$ 和 $C_2$。其中，$C_1$ 与已知的细胞系划分（ground truth $C_t$）高度一致（NMI=0.845），而 $C_2$ 则与 $C_t$ 表现出很大的差异（NMI=0.365），同时 $C_2$ 本身的聚类质量也很高（SC=0.599）。这表明 $C_2$ 是一个高质量的、非冗余的替代性聚类。

对 $C_1$ 进行marker基因分析，可以清晰地将其四个簇注释为四种已知的细胞系（H1, BJ, K562, GM12878），这验证了其作为细胞类型聚类的有效性。

对 $C_2$ 进行marker基因分析，发现其两个簇的差异基因与组织特异性（tissue specificity）高度相关。例如，簇0高表达UCHL1, CALD1等增强组织特异性的基因，而簇1则高表达TXNIP, DDIT3等降低组织特异性的基因。因此，$C_2$ 可以被解释为一个根据组织特异性高低对细胞进行的划分。

这个案例有力地证明，scMCs的多重聚类能力，能够为我们从全新的、具有生物学意义的视角来理解细胞的异质性。