Nature子刊｜威大华人团队全新多模态数据分析及生成方法JAMIE，大幅提升细胞类型、功能预测能力

---

  新智元报道  

论文地址：https://www.nature.com/articles/s42256-023-00663-z

项目地址：https://github.com/daifengwanglab/JAMIE

JAMIE训练了一种可重复使用的联合变分自编码器模型，将可用的多模态数据分别投影到相似的潜空间中，从而增强了单模态模式的推断能力。

JAMIE将自编码器的可重复使用和灵活的潜空间生成与对齐方法的自动对应估计相结合，从而能够处理不完全对应的多模态数据。

1. 输入数据预处理。以双模态为例，假设模态对应数据矩阵分别为和。注意这里特征维度和可以不同，样本数目和也可以不同。预处理对每个矩阵的每一行都归一化成均值0和方差1。如果有对应数据，用户可以提供模态相关矩阵来改进性能，其中 表示模态中的第个样本和模态中的第个样本完全对应，表示没有已知的对应关系，表示有部分的对应关系。
2. 利用联合变分自编码器学习每个模态的相似潜空间:  和 ，其中(默认，用户可调节)是潜空间维度。训练过程中，JAMIE最小化如下损失函数：

下述表格展示了JAMIE与当前最先进方法的模型和适用范围的对比。JAMIE将几种不同的整合和插补方法的特征统一到一个单一的架构中，因此能够进行缺失模态插值，从而具有非组学数据兼容性、且能处理只有部分对应关系的多模态数据的优点。

多模态数据的整合和表型预测

JAMIE使用潜空间预测细胞的对应关系，这可能有助于理解数据特征和表型之间的关系。

图2. JAMIE跨模态插补

JAMIE采用了四个常用的单细胞多模态数据集进行验证。

（1）来自MMD-MA的分支流形的高斯分布采样生成的模拟多模态数据（300个样本，3个细胞类型）；

（2）来自小鼠视觉皮层（3,654个样本，6个细胞类型）和小鼠运动皮层（1,208个样本，9个细胞类型）的单个神经元细胞的Patch-seq基因表达和电生理特征特征数据；

（3）来自人类发育中的大脑（21个孕周，覆盖人类大脑皮层的7种主要细胞类型）中8,981个样本的10x单细胞多组学基因表达和染色质可及性数据；

（4）来自COLO-320DM结肠腺癌细胞系的4,301个细胞的scRNA-seq基因表达和scATAC-seq染色质可及性数据。

图3. 模拟多模态数据结果比较：a、原始空间的UMAP，按细胞类型上色。b、JAMIE潜在空间的UMAP。c、JAMIE和现有技术（CCA[15,16]，LMA[15]，MMD-MA[8]，NLMA[15]和UnionCom[7]）在使用所有可用的对应信息进行细胞类型分离时的比较。x轴为更接近真实均值的样本比例，y轴为LTA[7,19]值。d、模态1中测量值和插补值之间相似性（1-JS距离）的累积分布。黑线对应不同细胞类型的平均相似性，而每个彩线分别对应一个细胞类型的相似性。

图4. 在小鼠视皮层中的基因表达和电生理特征结果比较：a、原始空间的UMAP，按细胞类型上色。b、JAMIE潜在空间的UMAP。c、JAMIE和现有技术（CCA[15,16]，LMA[15]，MMD-MA[8]，NLMA[15]和UnionCom[7]）在使用所有可用的对应信息进行细胞类型分离时的比较。x轴为更接近真实均值的样本比例，y轴为LTA[7,19]值。d、模态1中测量值和插补值之间相似性（1-JS距离）的累积分布。黑线对应不同细胞类型的平均相似性，而每个彩线分别对应一个细胞类型的相似性。

当然对于较大的数据集，训练变分自编码器（VAEs）需要耗费大量时间。因此，JAMIE 中的自动 PCA 等先前特征选择方法有助于减轻时间要求。由于VAE使用重建损失，数据预处理也至关重要，以避免大量或重复的特征对低维嵌入特征产生不成比例的影响。对于特定的跨模态插补，必须仔细考虑训练数据集的多样性，以避免对最终模型产生偏差并对其泛化能力产生负面影响。JAMIE 还可以潜在地扩展到对来自不同来源而不是不同模态的数据集进行对齐，例如在不同条件下的基因表达数据。

论文作者Noah Cohen Kalafut（计算机系博士生），黄翔（高级研究员），王岱峰（PI）隶属于威斯康辛大学麦迪逊分校生物统计和医学信息学系、计算机科学系和威斯曼研究中心。通讯作者为王岱峰教授。

成立于1973年的威斯曼中心半世纪以来一直致力于推进人类发育，神经发育障碍和神经退行性疾病方面的研究。