![]()
单细胞多组学数据揭示了复杂的细胞状态，为细胞动力学和疾病提供了重要见解。然而，多组学数据的整合带来了挑战。一些模式尚未达到已建立的转录组学的稳健性或清晰度。再加上不太成熟的模式的数据稀缺和整合的复杂性，这些挑战限制了我们最大限度地发挥单细胞组学优势的能力。
2024年7月29日，加拿大麦吉尔大学丁俊和山东大学吴昊共同通讯在Genome Biology 在线发表题为“scCross: a deep generative model for unifying single-cell multi-omics with seamless integration, cross-modal generation, and in silico exploration”的研究论文。该研究引入了scCross，这是一种利用变分自动编码器、生成对抗网络和相互最近邻（MNN）技术进行模态比对的工具。
通过实现单细胞跨模态数据生成、多组学数据模拟和计算机模拟细胞扰动，scCross增强了单细胞多组学研究的实用性。
![]()
单细胞测序技术的出现开启了生物学研究的新时代，使科学家能够以前所未有的细节分解细胞异质性。这种精细度阐明了无数生物过程中复杂的细胞动态。为了充分利用这种数据洪流的潜力，已经开发了一套计算工具，推动了癌症生物学、神经生物学和药物发现等不同领域的进步。然而，其中许多工具都是针对特定数据模式量身定制的，例如scRNA-seq或scATAC-seq，通常提供细胞景观的零碎视图。 随着单细胞测序范式的成熟，看到多种数据模式的融合，提供了细胞状态的整体视图。有效的单细胞多组学数据集成仍然具有挑战性，尤其是在集成不匹配的数据时。许多单细胞多组学测量结果不匹配，它们对不同模态的细胞群体进行分析，因此缺少对相同细胞进行匹配的多模态分析。现有的方法已经出现，以应对这一数据整合挑战，每种方法都有自己的优点和缺点。当前的单细胞多组学数据整合方法表现出一些局限性。这些方法中有相当一部分是为处理不同模态来自同一组细胞且信息匹配的数据而设计的。示例包括scMoGNN、SAILERX、scMVP、MIRA、SCALEX、scMDC和scAI。然而，这些方法通常受限于它们对匹配的多组学数据的依赖，而这些数据并不总是随时可用或可行。此外，许多现有方法是监督或半监督的，需要预先注释的数据集（例如预定义的细胞类型）才能进行有效的数据整合分析。当没有预先注释的数据时，这个先决条件会带来限制，从而限制这些方法在各种情况下的适用性。此类方法的示例包括scJoint和Portal。即使能够处理匹配和不匹配的单细胞多组学数据的方法也受到各种限制。例如，Seurat和Harmony等方法依赖于在模态之间寻找共性，而其他方法（如scglue、uniPort、sciCAN和scDART）则探索非线性变换或依靠深度学习。许多这些技术都面临着从信息丢失到噪声敏感性等问题。 scCross概述（图源自Genome Biology ）此外，由于实验的成本和难度，全面分析细胞状态的匹配单细胞多组学数据通常非常稀缺。相反，通常拥有最主要模态（如scRNA-seq）的丰富数据，但对其他模态（例如表观遗传学）的分析有限或没有。其他匹配的单细胞多组学数据的存在提供了通过迁移从参考中学到的知识从更丰富的模态中跨模态生成缺失模态的潜力。在这里，作者介绍scCross。从本质上讲，scCross在单细胞多组学数据整合方面表现出色，为多种数据模式的融合带来了无与伦比的精度。在保留其在这一领域的主要能力的同时，scCross最显著的特点也显现出来：它在跨模式单细胞数据生成方面的实力。这种能力，加上其整合能力，为研究人员弥合丰富和稀缺模式之间的差异释放了变革潜力。基于这两个主要功能，scCross通过高保真度模拟单细胞多组学数据，进一步展示了其多功能性。此外，该工具揭示了在模式内和模式之间进行计算机干扰的机会，使研究人员能够假设和评估潜在的细胞干预措施。通过捕捉和阐明复杂的细胞状态，scCross使科学界能够全面掌握跨模式的细胞动态。scCross在单细胞多组学整合、生成和模拟领域处于先锋地位。 https://genomebiology.biomedcentral.com/articles/10.1186/s13059-024-03338-z ![]()
—END—
内容为【iNature】公众号原创，
转载请写明来源于【iNature】
微信加群
iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群（16个PI群及64个博士群），同时更具专业专门组建了相关专业群（植物，免疫，细胞，微生物，基因编辑，神经，化学，物理，心血管，肿瘤等群）。温馨提示：进群请备注一下（格式如学校+专业+姓名，如果是PI/教授，请注明是PI/教授，否则就直接默认为在读博士，谢谢）。可以先加小编微信号（love_iNature），或者是长按二维码，添加小编，之后再进相关的群，非诚勿扰。
![]()
![]()
投稿、合作、转载授权事宜
请联系微信ID：13701829856 或邮箱：iNature2020@163.com
觉得本文好看，请点这里！
