scMRDR: 无配对单细胞多组学数据整合的可扩展灵活框架.
- paper：scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration
0. TL; DR
scMRDR 是一种用于整合非配对单细胞多组学数据的生成式框架，通过 β-VAE 将潜在表征分解为模态共享 ($z_u$) 和模态特异 ($z_s$) 组件，并采用三重正则化策略：等距正则化保持组学内部生物结构、对抗正则化促进跨模态分布对齐、掩码重构损失处理跨模态特征缺失。
在基准数据集上，scMRDR 在批次校正、模态对齐和生物信号保留方面均优于 Seurat、Harmony、scVI、GLUE、JAMIE 等现有方法，且能高效处理大规模数据集（>10万细胞）。
1. 背景介绍
1.1 单细胞多组学整合的挑战
单细胞测序技术的飞速发展使得在单细胞分辨率下测量多种分子模态成为可能，包括：
- scRNA-seq（单细胞转录组）：测量基因表达
- scATAC-seq（单细胞染色质可及性）：测量染色质开放区域
- scProtein（单细胞蛋白质组）：测量蛋白质丰度（如 CITE-seq）
这些数据源提供了细胞状态和动态的综合视角。然而，由于单细胞检测的破坏性本质，同一细胞同时测量多种模态在技术上极具挑战性。因此，大规模单细胞数据集通常在跨模态间是非配对的（unpaired），即不同模态来自不同细胞。
此外，数据还面临显著的技术噪声：
- 批次效应（batch effects）：不同实验运行、试剂批次或操作人员引入的系统变异
- 缺失值（dropouts）：单细胞数据的稀疏性
- 测序深度变异：不同样本覆盖度差异
1.2 现有方法的局限性
当前多组学整合方法主要分为两类，均存在明显局限：
- 联合降维（MOFA、Seurat、MultiVI、scVI）：使用配对数据训练联合表示；依赖配对或部分配对数据，灵活性受限。
- 流形对齐（SCOT、Pamona、UnionCom、JAMIE）：通过 KNN 距离图对齐几何结构，计算模态间的全局配对耦合矩阵；计算复杂度高，难以扩展到大数据集，通常仅限两种组学。
本文提出的scMRDR基于解耦表示，灵活适应完全非配对数据，可扩展到多组学。
2. scMRDR 方法
2.1 解耦变分自编码器（β-VAE）
VAE（Variational Autoencoder）通过变分推断学习观测数据 $x$ 与潜在变量 $z$ 间的概率映射。标准 VAE 的优化目标为 ELBO（Evidence Lower Bound）：
\[\text{ELBO}_{\text{VAE}}(x) = \mathbb{E}_{q_\phi(z|x)}[\log p_\theta(x|z)] - \text{KL}(q_\phi(z|x) \| p(z))\]其中第一项鼓励忠实重构，第二项通过 KL 散度将潜在空间正则化至先验分布。
β-VAE 引入超参数 $\beta > 1$ 加权 KL 散度项，增强潜在空间的解耦性：
\[\text{ELBO}_{\beta\text{-VAE}}(x) = \mathbb{E}_{q_\phi(z|x)}[\log p_\theta(x|z)] - \beta \cdot \text{KL}(q_\phi(z|x) \| p(z))\]更高的 $\beta$ 值强制执行更强的潜在空间约束，促进解耦和可解释表征，但会以降低重构精度为代价。
2.2 多组学数据的生成模型
scMRDR 假设组学 $m$ 中的观测 $x^{(m)}$ 由两个独立潜在子空间生成：
- 模态共享潜在变量 $z_u$：跨所有模态通用
- 模态特异潜在变量 $z_s^{(m)}$：特定于组学 $m$
生成过程定义为：
\[p(z|m) = p(z_u) p(z_s|m) \\ p(x) = p(x|z,c) p(z|m) p(m) p(c) \\ = p(x|z,c) p(z_u) p(z_s|m) p(m) p(c)\]其中 $c$ 表示协变量（如测序批次）。批次效应是非生物因素引入的系统变异，建模时需加以校正。
对于计数数据（如 scRNA、scProtein），采用零膨胀负二项分布（ZINB）建模生成过程：
\[x_{ng} \sim \pi_g \delta_0 + (1-\pi_{ng}) \text{NB}(l_n \rho_{ng}, r_g) \stackrel{d}{=} \text{ZINB}(l_n \rho_{ng}, r_g, \pi_g)\]其中$l_n$是细胞 $n$ 的文库大小，$\rho_{ng}$是基因 $g$ 在细胞 $n$ 中的平均比例；$r_g$是基因 $g$ 的离散因子；$\pi_{ng}$是基因 $g$ 在细胞 $n$ 中的缺失率。参数通过神经网络参数化：$h = f_h(z,c)$, $\rho_{ng} = f_\rho(h)$, $\pi_{ng} = f_\pi(h)$。
潜在因子先验假设为各向同性高斯分布：$p(z_s|m) \stackrel{d}{=} \mathcal{N}(\mu_m, \sigma_m^2 I),p(z_u) \stackrel{d}{=} \mathcal{N}(0, I)$
变分后验近似为：
\[q(z_u|x) = \mu_u(x) + \sigma_u(x) \odot \mathcal{N}(0, I) \\ q(z_s|x,m) = \mu_s(x,m) + \sigma_s(x,m) \odot \mathcal{N}(0, I)\]β-VAE 的损失函数（负 ELBO）为：
\[\mathcal{L}_{\beta\text{-VAE}} = -\mathbb{E}_{z \sim q(z|x,m)} \log p(x|z,c) + \beta \left[ \text{KL}(q(z_u|x) \| p(z_u)) + \text{KL}(q(z_s|x,m) \| p(z_s|m)) \right]\]2.3 对抗正则化促进模态对齐
单纯解耦潜在空间无法保证来自不同组学的共享潜在组件 $z_u$ 在分布上充分对齐。scMRDR 引入对抗正则化，使用 $m$ 类判别器 $D(z_u): \mathbb{R}^{d_u} \to {0,1,\ldots,m}$ 区分样本的组学来源：
判别器优化目标是最大化区分能力：
\[\min_D \mathcal{L}_{\text{discriminator}} = \min_D \left[ -\sum_m m \log(D(z_u^{(m)})) \right], \quad z_u^{(m)} \sim q(z_u|x)\]编码器优化目标是最小化判别能力，即欺骗判别器：
\[\min_{q(z_u|x)} \mathcal{L}_{\text{alignment}} = \min_{q(z_u|x)} \sup_D \left[ \sum_m m \log(D(z_u^{(m)})) \right]\]这种对抗训练最终实现了不同组学嵌入的恰当对齐。
2.4 等距损失保持生物结构
为确保 $z_u$ 捕获样本间的生物差异（如细胞类型），scMRDR 引入无监督结构保持正则化。核心思想是：完整潜在表示 $z = (z_u, z_s)$ 已有效保留了组学内部结构，因此鼓励 $z_u$ 保持完整潜在空间的结构信息。
具体采用等距损失（isometric loss），最小化 $z$ 与 $z_u$ 成对欧氏距离矩阵的差异：
\[\mathcal{L}_{\text{preserve}} = \sum_m \sum_{i,j \in X^{(m)}} \left[ \|\mu_{z_u}(x_i) - \mu_{z_u}(x_j)\|_2 - \|\mu_z(x_i) - \mu_z(x_j)\|_2 \right]^2\]其中 $\mu_{z_u}(x)$ 是 $q(z_u|x)$ 的后验均值，$\mu_z(x)$ 是完整潜在嵌入的后验均值。
2.5 掩码重构损失处理特征缺失
非配对多组学数据集中，不同模态分别测量且常来自不同来源。尽管可在基因水平对齐特征，但由于测序覆盖度差异，严重缺失特征仍然存在。例如 CITE-seq 通常仅覆盖数百种蛋白质，而其他组学可测量数万个基因。
scMRDR 引入二元掩码 $\mathbf{b} \in {0,1}^G$ 指示特征可用性，防止梯度通过未测量特征反向传播，并按可用特征比例缩放：
\[\mathcal{L}_{\text{recon}} = -\frac{1}{N} \sum_{n=1}^N \left\{ \frac{G}{\sum_{g=1}^G \mathbf{b}_{ng}} \sum_{g=1}^G \mathbf{b}_{ng} \log \left[ P_{\text{ZINB}}(x_n; l_n \rho_{ng}, r_g, \pi_{ng}) \right] \right\}\]该策略确保模型充分利用可用信息，同时保持原始数据分布的完整性。
2.6 总体优化目标
scMRDR 采用 β-VAE 解耦组学特异和组学共享潜在表征，施加等距损失和对抗训练作为正则化。
scMRDR 的总优化目标整合上述所有组件：
\[\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{recon}} + \beta \mathcal{L}_{\text{KL}} + \lambda \mathcal{L}_{\text{alignment}} + \gamma \mathcal{L}_{\text{preserve}}\]训练过程采用交替优化：
- 首先优化判别器（$\min_D \mathcal{L}_{\text{discriminator}}$）
- 然后优化 VAE（$\min \mathcal{L}_{\text{total}}$）
3. 实验分析
3.1 双组学整合性能
作者展示了小规模双组学（人肾脏）的定量比较结果。- scMRDR 总体得分最高（0.66），在模态整合（0.70）和批次校正（0.52）方面表现卓越；GLUE 生物保留强（0.74）但模态整合较弱（0.34）；scVI 批次校正强（0.95）但生物保留（0.47）和模态整合（0.00）差；Harmony、UnionCom 等方法在模态整合上表现不佳（0.00-0.09）。
UMAP 可视化显示：细胞类型（左图）scMRDR** 形成清晰的细胞类型聚类（得分 0.66/0.74）；模态（中图）scRNA（蓝色）和 scATAC（橙色）充分混合（得分 0.70）；批次（右图）不同批次细胞良好融合（得分 0.52）。
3.2 大规模数据集上的可扩展性
下图展示了大规模双组学（小鼠初级运动皮层，>12万细胞）的性能。scMRDR 保持强劲性能（总体 0.60），生物保留（0.62）和模态整合（0.62）均衡；Seurat 总体得分 0.59，但模态整合较差（0.53）；GLUE 默认 LSI 预处理在大数据上失败，改用 PCA 后性能严重下降（0.45）；JAMIE、UnionCom、Pamona 因内存或优化错误无法运行。
UMAP 可视化显示 scMRDR 在大数据上仍保持清晰的细胞类型聚类（得分 0.60/0.62）、良好的模态混合（得分 0.62）、有效的批次校正（得分 0.56）。
3.3 三组学整合能力
作者展示了 scRNA + scATAC + scProtein 三组学整合的性能。scMRDR 总体得分 0.58，显著领先于 GLUE (0.55)、scVI (0.49) 和 Harmony (0.33)；scMRDR 在模态整合（0.61）和生物保留（0.61）上均表现最佳；Harmony 模态整合极差（0.18），无法处理三种模态；Seurat 不支持三组学整合（需两两桥接）。
UMAP 可视化显示 scMRDR 三种模态（ATAC-蓝、Protein-橙、RNA-绿）充分混合，细胞类型聚类清晰。其他模型形成分离簇，未有效整合。
3.4 消融实验与敏感性分析
作者展示了双组学数据上的消融研究结果：
- 等距正则化 ($\gamma$) 对生物保留至关重要（$\gamma=0$ 时从 0.74 降至 0.60）
- 对抗正则化 ($\lambda$) 对模态整合至关重要（$\lambda=0$ 时从 0.70 降至 0.60）
- β 参数影响相对较小，但 $\beta>1$ 可增强解耦
- 所有组件协同工作，移除任一均导致性能下降
