南开新闻网讯（通讯员 曹泽怡）在多模态数据处理中，去噪与整合相互影响，不易单独解决，已成为该领域一直以来的难题。在去噪阶段，往往难以准确界定哪些是噪声、哪些是真实信号，过度去噪会错误地移除有用信息，造成生物学信号丢失；去噪不足则会使残留噪声淹没真实信号，干扰后续整合。多模态整合阶段则一般被动地接受前面去噪结果，对去噪阶段造成的偏差无能为力。这一难题在单细胞与空间多组学处理中呈现得更为复杂。近年来，测序与成像技术的快速发展催生了大量单细胞及空间背景下的配对多组学数据。然而，多模态数据通常比单模态数据具有更高的技术噪声、更显著的尺度与空间异质性等跨模态分布差异，以及更强的数据复杂性，给兼顾多模态去噪与跨组学数据整合带来了重大挑战。
9月24日，南开大学人工智能学院张瀚教授团队联合华大研究院赵鑫博士等，以南开大学为第一单位在国际顶级学术期刊Nature Cell Biology（最新影响因子22.7）上发表了题为“The dual-enhanced graph learning framework DePass allows paired data integration in single-cell and spatial multiomics”的研究论文。该研究基于人工智能方法提出DePass图学习模型，它是一个同时去噪与整合的多组学整合框架，可同步实现配对多组学数据的去噪与整合。该框架同时支持单细胞与空间多组学数据，支持任意数量、任意组合的输入模态，例如RNA、蛋白、ATAC和代谢物等多种数据类型，并能高效适配大规模数据集，具有良好的通用性和可扩展性。
DePass模型示意图
DePass模型的优势在于摒弃了“数据去噪”和“多组学整合”作为两个独立步骤的传统路线。它改变了“原始数据—多组学整合—下游分析”的一般流程，将其设计为“数据自增强—多组学整合—再次反馈数据增强—再整合”的新的迭代流程。在这一框架下，更纯净的数据可以得到更准确的多组学表示，即细胞间各种关系；而更准确的多组学表示又可以指导下一轮数据增强，实现二者相互优化。DePass模型还让多种组学信息互相监督与校正。该框架首先将细胞或空间spot表示为图结构，并利用相似细胞之间的邻域信息，对不同组学中的噪声和缺失信号进行增强；随后，不同模态被投影到低维空间中进行整合。与仅依赖单一模态去噪不同，DePass利用不同组学相互监督，学习到更高质量的共同与互补信息、构建更完整的生物学结构，并以此用于指导数据增强，从而更准确地识别真实信号，实现数据增强与跨模态整合的相互优化。由此，它所体现的原始多组学数据去噪与嵌入空间反馈优化双重增强范式，显著提升数据质量与整合鲁棒性。
研究团队在涵盖6种组学模态、9种生物组织类型和13种测序平台的15个数据集上进行了系统基准测试，结果显示DePass在单细胞和空间背景下均一致优于现有方法。传统空间转录组spot通常包含数个到数十个细胞，传统计算方法多基于spot级别进行分析，免疫微环境信号往往被平均化；而DePass能够更充分利用高分辨率数据，以单细胞的分辨率解析出其他计算方法未能捕捉的生物学信息。例如，在Stereo-CITE-seq技术生成的空间多组学结直肠癌数据集中，实验表明DePass以接近单细胞的分辨率揭示了免疫微环境亚结构及空间肿瘤异质性。经过去噪增强的RNA、蛋白、ATAC等原始组学数据与整合表征可有效应用于marker分析、差异分析、组织分割、稀有细胞类型检测及细胞通讯分析等下游任务。形象地说，DePass解决了“具有复杂噪声的组织空间邻接多细胞多组学”的计算问题，它将多组学数据转化为一张 “可计算的细胞信息地图”。
南开大学人工智能学院2020级博士生李威、2026级博士生蒋源湘为共同第一作者；南开大学人工智能学院张瀚教授和华大研究院赵鑫博士为共同通讯作者。相关研究得到了国家自然科学基金重大研究计划“可解释、可通用的下一代人工智能方法”培育项目等项目的资助。
文章链接：https://www.nature.com/articles/s41556-026-02067-8
|
