【论文分享】scPairing-单细胞多组学数据整合与生成框架

个人推荐指数：⭐️⭐️⭐️⭐️

scPairing 简介

scPairing 是一个基于变分自编码器（VAE）的单细胞多组学数据整合与生成框架，能够将不同模态的单细胞数据（如 RNA、ATAC、蛋白质）整合到共同的嵌入空间，并通过”桥接整合”（bridge integration）方法生成高质量的人工多组学数据。该工具由加拿大不列颠哥伦比亚大学（University of British Columbia）的 Jeffrey Niu 和 Jiarui Ding 开发，发表于 Cell Reports Methods（2025年11月）。

scPairing 的核心能力包括：

• 跨模态数据整合：将 RNA-seq、ATAC-seq、蛋白质等不同模态的单细胞数据整合到统一的嵌入空间
• 人工多组学数据生成：通过桥接整合方法，从单模态数据生成高质量的配对多组学数据
• 三模态扩展：支持同时整合三种模态（RNA + ATAC + 蛋白质）的数据
• 生物学结构保持：生成的数据能够保持粗粒度和细粒度的生物学结构

scPairing 的主要应用场景：

• 利用少量配对的多组学数据作为”桥接”，将大量单模态数据整合生成人工多组学数据
• 发现跨模态的生物学关系和调控网络
• 在缺乏真实多组学数据的情况下进行假设验证
• 降低多组学实验的成本，提高数据利用率

---

方法原理

核心思想

scPairing 的核心思想是利用少量配对的多组学数据作为”桥接”（bridge），学习不同模态之间的对应关系，然后将这种关系应用到大量的单模态数据上，生成人工配对的多组学数据。

传统的多组学技术（如 SHARE-seq、10x Multiome）虽然能够同时测量多种模态，但存在以下问题：

• 成本高昂，限制了样本量和数据规模
• 数据质量通常低于单模态技术
• 可用的多组学数据集数量有限

scPairing 通过以下策略解决这些问题：

1. 使用少量高质量的配对多组学数据训练模型
2. 将大量单模态数据投影到共同的嵌入空间
3. 通过相似度匹配生成人工配对数据
4. 生成的数据可用于下游分析，如细胞类型注释、调控网络推断等

模型架构

scPairing 采用增强的变分自编码器（VAE）架构，结合对比学习和对抗训练，包含以下核心组件：

编码器（Encoder）：

• 模态特异性编码器：每个模态有独立的编码器网络，将低维表示映射到潜在空间
• 共享超球面嵌入空间：不同模态的编码器输出映射到同一个超球面 S^(d-1)
• 参数化：编码器输出潜在变量的均值 μ 和方差 σ²
• 输入：来自 PCA、LSI、scVI、scGPT 等方法的低维表示（20-50 维）
• 网络结构：单层神经网络，128 单元，ELU 激活，层归一化

解码器（Decoder）：

• 模态特异性解码器：每个模态有独立的解码器网络，从潜在空间重构低维表示
• 跨模态生成：可以使用一个模态的潜在表示通过另一个模态的解码器生成数据
• 支持预训练解码器或从头学习的解码器
• 网络结构：单层神经网络，128 单元，ELU 激活，层归一化

模态判别器（Modality Discriminator）：

• 功能：区分嵌入向量来自哪个模态（RNA 或 ATAC）
• 输入：超球面上的嵌入向量 μ_RNA 或 μ_ATAC
• 输出：标量值 ∈ [0,1]，表示来自 RNA 模态的概率
• 网络结构：单层神经网络，128 单元，ELU 激活，层归一化
• 作用机制：
  • 判别器试图正确分类嵌入的模态来源
  • 编码器通过对抗训练”欺骗”判别器
  • 使得不同模态的嵌入在潜在空间中无法被区分
  • 增强跨模态对齐效果

批次判别器（Batch Discriminator）：

• 功能：识别嵌入向量来自哪个批次
• 输入：嵌入向量 μ_RNA 或 μ_ATAC
• 输出：B 维向量 ∈ [0,1]^B，表示来自每个批次的概率（B 为批次数）
• 网络结构：单层神经网络，128 单元，ELU 激活，层归一化
• 作用机制：
  • 判别器试图识别嵌入的批次来源
  • 编码器通过对抗训练”欺骗”判别器
  • 消除嵌入中的批次效应
  • 防止细胞按批次过度分离，同时保持生物学结构

损失函数

scPairing 的损失函数包含多个部分，形成了一个增强的 VAE 目标函数：

1. 重构损失（Reconstruction Loss）：

   • 确保模型能够准确重构输入数据
   • 对于 RNA 数据使用负二项分布（Negative Binomial）
   • 对于 ATAC 数据使用伯努利分布（Bernoulli）
   • 对于蛋白质数据使用负二项分布

2. KL 散度损失（KL Divergence Loss）：

   • 约束潜在空间分布接近标准正态分布
   • 防止过拟合，提高泛化能力

3. 对比学习损失（Contrastive Loss）：

   • 受 CLIP（Contrastive Language-Image Pre-training）启发
   • 鼓励同一细胞的不同模态嵌入在超球面上接近
   • 同时推开不同细胞的嵌入
   • 最大化匹配细胞对的余弦相似度，最小化非匹配细胞对的相似度

4. 模态判别损失（Modality Discriminator Loss, L_D）：

   • 引入判别器神经网络 h: S^(d-1) → [0,1]
   • 判别器接收嵌入向量（μ_RNA 或 μ_ATAC），输出其来自 RNA 模态的概率
   • RNA 和 ATAC 编码器被训练来”欺骗”判别器
   • 目标：使判别器无法区分 RNA 嵌入和 ATAC 嵌入
   • 这是一个对抗性目标，进一步增强模态对齐

5. 批次判别损失（Batch Discriminator Loss, L_B）：

   • 在批次效应显著的数据集中，对比损失可能导致细胞按批次过度分离
   • 引入另一个判别器神经网络 b: S^(d-1) → [0,1]^B（B 为批次数）
   • 该判别器预测每个嵌入来自哪个批次
   • RNA 和 ATAC 编码器被训练来”欺骗”这个判别器
   • 使用 B 类交叉熵损失
   • 目标：消除嵌入中的批次效应

6. 余弦相似度对齐损失（Cosine Similarity Alignment Loss, L_A）：

   • 额外的对齐约束，确保配对细胞的嵌入方向一致
   • 只专注于拉近正样本本身，作为对比学习损失的补充
   • 消融实验证明其显著增加了成功配对的细胞数量

总损失函数可表示为：

L = L_ELBO + L_contrastive + L_D + L_B + L_A

其中：

• L_ELBO = L_recon + β * L_KL（标准 VAE 损失）
• L_contrastive：对比学习损失
• L_D：模态判别损失
• L_B：批次判别损失
• L_A：余弦相似度对齐损失

具体步骤

步骤 1：训练桥接模型

• 使用少量配对的多组学数据训练 scPairing 模型
• 模型学习将不同模态映射到共同的嵌入空间
• 两步训练过程：
  1. 固定编码器和解码器，更新判别器参数（最大化判别准确率）
  2. 固定判别器，更新编码器和解码器参数（最小化总损失，包括”欺骗”判别器）

步骤 2：投影单模态数据

• 将大量单模态数据通过训练好的编码器投影到共同的嵌入空间
• 对于模态 1 的数据，使用模态 1 的编码器获得嵌入 Z1
• 对于模态 2 的数据，使用模态 2 的编码器获得嵌入 Z2

步骤 3：计算相似度矩阵

• 计算两个模态嵌入之间的余弦相似度矩阵 S
• S[i,j] 表示模态 1 的第 i 个细胞与模态 2 的第 j 个细胞的相似度

步骤 4：最大权重二部图匹配

• 使用匈牙利算法（Hungarian algorithm）求解最大权重二部图匹配问题
• 找到使总相似度最大的配对方案
• 设置相似度阈值（如 0.8），过滤掉低相似度的配对

步骤 5：生成人工多组学数据

• 根据匹配结果重新排列单模态数据
• 配对的细胞组合成人工多组学数据

三模态扩展

scPairing 可以扩展到三模态数据（triscPairing），同时整合 RNA、ATAC 和蛋白质数据。

架构调整：

• 三个模态特异性编码器（RNA、ATAC、蛋白质）
• 三个模态特异性解码器
• 共享的超球面嵌入空间

训练策略：

1. 成对对比损失（Pairwise CLIP Loss）：

   • 对于三个模态 m₁, m₂, m₃，需要计算三对模态之间的对比损失
   • L_CLIP = L_CLIP^(m₁,m₂) + L_CLIP^(m₁,m₃) + L_CLIP^(m₂,m₃)
   • 每一对模态都使用标准的 CLIP 对比损失
   • 确保任意两个模态的嵌入都能对齐

2. 模态判别损失扩展：

   • 模态判别器从二分类扩展为多分类
   • 判别器 h: S^(d-1) → [0,1]³
   • 输出三个概率值，分别表示嵌入来自 RNA、ATAC 或蛋白质模态
   • 三个编码器都被训练来”欺骗”判别器

3. 批次判别损失：

   • 批次判别器同样应用于所有三个模态的嵌入
   • 计算所有模态嵌入的批次预测损失
   • L_B = (1/N) Σᵢ Σₘ CE(bᵢ, b̂(μᵢᵐ))
   • 其中 m ∈ {RNA, ATAC, 蛋白质}

4. 总损失函数：

   • L_total = L_ELBO + Σ_(m₁,m₂) L_CLIP^(m₁,m₂) + L_D + L_B + L_A
   • 包含所有模态对的对比损失

支持的数据类型：

• 完整三模态配对数据（如 TEA-seq）
• 部分配对数据（如只有 RNA+ATAC 或 RNA+蛋白质配对）
• 可以处理缺失模态的情况

桥接整合：

• 可以从三个单模态数据集生成三模态配对数据
• 也可以从双模态数据和单模态数据生成三模态数据
• 使用贪心算法求解三模态匹配问题（因为不存在高效的最优算法）

三模态配对算法：

• 对于三模态数据，线性和分配问题变为 NP-hard
• 使用随机贪心算法（randomized greedy algorithm）生成配对
• 算法迭代地选择相似度最高的三元组进行配对

---

技术实现细节

网络结构

编码器网络：

• 输入层：低维表示（来自 PCA、LSI、scVI 等方法）
• 隐藏层：单层神经网络，128 个单元
• 激活函数：指数线性单元（ELU）
• 归一化：层归一化（Layer Normalization）
• 输出层：输出潜在变量的均值 μ 和方差 σ²
• 嵌入空间：超球面（hypersphere）S^(d-1)

解码器网络：

• 输入层：潜在变量维度
• 隐藏层：单层神经网络，128 个单元
• 激活函数：指数线性单元（ELU）
• 归一化：层归一化
• 输出层：输出重构数据的参数
• 支持预训练解码器或从头学习的解码器

模态判别器网络（h）：

• 输入：嵌入向量 μ_RNA 或 μ_ATAC（来自超球面 S^(d-1)）
• 隐藏层：单层神经网络，128 个单元
• 激活函数：指数线性单元（ELU）
• 归一化：层归一化
• 输出：标量值 ∈ [0,1]，表示来自 RNA 模态的概率
• 作用：区分 RNA 嵌入和 ATAC 嵌入

批次判别器网络（b）：

• 输入：嵌入向量 μ_RNA 或 μ_ATAC
• 隐藏层：单层神经网络，128 个单元
• 激活函数：指数线性单元（ELU）
• 归一化：层归一化
• 输出：B 维向量 ∈ [0,1]^B，表示来自每个批次的概率（B 为批次数）
• 作用：识别嵌入来自哪个批次，用于消除批次效应

三模态扩展：

• 对于三模态数据，模态判别器从二分类扩展为三分类
• 判别器输出维度从 [0,1] 变为 [0,1]^3
• 批次判别器同样适用于所有三个模态的嵌入

数据预处理

scPairing 的一个重要特点是接受低维表示作为输入，而不是原始计数数据。这提供了灵活性和计算效率。

RNA-seq 数据预处理：

1. 使用模态特异性方法计算低维表示：
   • PCA（主成分分析）
   • scVI（单细胞变分推断）
   • scGPT（单细胞 GPT 模型）
   • CellPLM（细胞预训练语言模型）
2. 典型维度：20-50 维
3. 可选择是否在低维表示中进行批次校正（如使用 Harmony）

ATAC-seq 数据预处理：

1. 使用模态特异性方法计算低维表示：
   • LSI（潜在语义索引）
   • PeakVI（峰变分推断）
   • Harmony 校正的 LSI
2. 典型维度：20-50 维
3. 峰矩阵通常先进行 TF-IDF 转换

蛋白质数据预处理：

1. 对原始计数进行归一化
2. 使用 PCA 或其他降维方法
3. 典型维度：10-30 维（蛋白质特征数量较少）

低维表示的优势：

• 计算效率高：scPairing 参数量少，训练速度快
• 灵活性强：可以选择不同的批次校正策略
• 模态对齐更容易：低维空间中找到对齐比高维原始数据更简单
• 可利用预训练模型：如 scGPT、CellPLM 等大型预训练模型的嵌入

训练配置

超参数设置：

• 潜在空间维度：通常设为 10-50
• 隐藏层单元数：128（所有网络组件统一）
• 学习率：1e-3 到 1e-4
• 批次大小：128 或 256
• 训练轮数：根据验证集损失确定，通常 50-200 轮

损失权重：

• β（KL 权重）：0.1 到 1.0
• 模态判别损失权重：可调节，过高会影响性能
• 批次判别损失权重：可调节，过高会影响性能
• 余弦相似度对齐损失权重：对性能影响较小

优化器：

• 使用 Adam 优化器
• 两步训练过程：
  1. 更新判别器参数（最大化 L_D 和 L_B）
  2. 更新编码器和解码器参数（最小化总损失）

早停策略：

• 监控验证集损失
• 如果验证集损失连续多轮不下降则停止训练

敏感性分析结果：

• 余弦相似度对齐损失权重对性能影响不大
• 模态判别损失和批次判别损失在高权重时会降低性能
• 当前默认权重设置在多个数据集上表现良好

评估指标

整合质量评估：

• 批次混合度（Batch mixing）：使用 kBET、LISI 等指标
• 生物学保持度（Bio-conservation）：使用 ARI、NMI 等指标
• 可视化：使用 UMAP 或 t-SNE 可视化嵌入空间

生成质量评估：

• 与真实多组学数据的相似度
• 下游任务性能（如细胞类型注释准确率）
• 跨模态相关性保持

---

性能评估

数据集

scPairing 在多个公开数据集上进行了评估：

双模态数据集：

• 10x Multiome PBMC：人类外周血单核细胞的 RNA + ATAC 数据
• SHARE-seq 小鼠皮肤：小鼠皮肤的 RNA + ATAC 数据
• CITE-seq PBMC：人类外周血单核细胞的 RNA + 蛋白质数据

三模态数据集：

• TEA-seq 骨髓：人类骨髓的 RNA + ATAC + 蛋白质数据

单模态数据集：

• 大规模 scRNA-seq 数据集
• 大规模 scATAC-seq 数据集

整合性能

scPairing 在整合质量上优于现有方法，能够更好地混合不同批次的数据，同时保持生物学结构。

生成质量

与真实多组学数据的比较：

• 生成的人工多组学数据与真实多组学数据在细胞类型分布、基因表达模式、染色质可及性模式上高度一致
• 跨模态相关性（如基因表达与启动子可及性的相关性）得到良好保持

下游任务性能：

• 使用生成的数据进行细胞类型注释，准确率达到 90% 以上
• 使用生成的数据推断基因调控网络，与真实数据推断的网络高度重合

三模态整合

在 TEA-seq 骨髓数据集上的评估：

• 成功整合 RNA、ATAC 和蛋白质三种模态
• 生成的三模态数据能够揭示三种模态之间的复杂关系
• 发现了新的跨模态生物学关联

可扩展性

scPairing 在计算效率上表现良好：

• 训练时间：在 10,000 个细胞的数据集上训练约 30 分钟（使用单个 GPU）
• 推理时间：投影 100,000 个细胞到嵌入空间约 5 分钟
• 内存占用：适中，可在标准工作站上运行

---

安装和使用

安装方法

从 GitHub 安装：

# 基础安装
pip install git+https://github.com/Ding-Group/scPairing.git

# 包含教程依赖的安装
pip install "scPairing[tutorials]@git+https://github.com/Ding-Group/scPairing.git"

基本使用

步骤 1：准备数据

import scanpy as sc
import anndata as ad

# 加载配对的多组学数据（桥接数据）
rna_bridge = sc.read_h5ad('rna_bridge.h5ad')
atac_bridge = sc.read_h5ad('atac_bridge.h5ad')

# 加载单模态数据
rna_query = sc.read_h5ad('rna_query.h5ad')
atac_query = sc.read_h5ad('atac_query.h5ad')

步骤 2：训练 scPairing 模型

from scPairing import scPairing

# 初始化模型
model = scPairing(
    rna_bridge,
    atac_bridge,
    latent_dim=20,
    hidden_dim=256,
    n_layers=2
)

# 训练模型
model.train(
    n_epochs=100,
    lr=1e-3,
    batch_size=128
)

步骤 3：投影单模态数据到嵌入空间

# 投影 RNA 数据
_, rna_latents = model.get_cross_modality_expression(True, rna_query)

# 投影 ATAC 数据
_, atac_latents = model.get_cross_modality_expression(False, atac_query)

步骤 4：执行桥接整合

from sklearn.metrics.pairwise import cosine_similarity
from scipy.optimize import linear_sum_assignment

# 计算相似度矩阵
sim_matrix = cosine_similarity(rna_latents, atac_latents)

# 设置相似度阈值
CUTOFF = 0.8
sim_matrix[sim_matrix < CUTOFF] = 0

# 最大权重二部图匹配
rna_ind, atac_ind = linear_sum_assignment(sim_matrix, maximize=True)

# 过滤低相似度配对
use = sim_matrix[rna_ind, atac_ind] != 0

# 生成配对数据
paired_rna = rna_query[rna_ind[use]]
paired_atac = atac_query[atac_ind[use]]

步骤 5：下游分析

# 使用生成的多组学数据进行下游分析
# 例如：细胞类型注释、调控网络推断等

三模态使用

from scPairing import triscPairing

# 初始化三模态模型
model = triscPairing(
    rna_bridge,
    atac_bridge,
    protein_bridge,
    latent_dim=20
)

# 训练和使用方法与双模态类似
model.train(n_epochs=100)

---

应用案例

案例 1：视网膜细胞多组学数据生成

研究团队使用 scPairing 从大规模的视网膜 scRNA-seq 和 scATAC-seq 数据生成了人工多组学数据：

• 使用少量 SHARE-seq 视网膜数据作为桥接
• 整合了超过 100,000 个细胞的单模态数据
• 生成的数据揭示了视网膜细胞类型特异性的基因调控网络
• 发现了新的转录因子-靶基因关系

案例 2：免疫细胞三模态数据生成

使用 TEA-seq 骨髓数据作为桥接，生成了大规模的三模态免疫细胞数据：

• 整合了 RNA、ATAC 和表面蛋白质三种模态
• 揭示了免疫细胞分化过程中的多层次调控机制
• 发现了表面标记物、基因表达和染色质状态之间的关联

案例 3：肾脏细胞跨物种整合

使用 scPairing 整合了人类和小鼠的肾脏单细胞数据：

• 识别了保守的细胞类型和调控程序
• 发现了物种特异性的基因调控差异
• 为肾脏疾病研究提供了跨物种比较的基础

---

优势与局限

优势

1. 数据效率高：只需少量配对数据即可生成大规模人工多组学数据
2. 生成质量好：生成的数据在多个评估指标上接近真实多组学数据
3. 灵活性强：支持双模态和三模态数据，可适应不同的数据类型
4. 计算效率高：训练和推理速度快，可在标准硬件上运行
5. 易于使用：提供了清晰的 API 和详细的教程

局限

1. 依赖桥接数据质量：如果桥接数据质量差或代表性不足，生成的数据质量会受影响
2. 相似度阈值选择：需要手动设置相似度阈值，可能影响配对结果
3. 批次效应：如果单模态数据存在严重的批次效应，可能影响整合效果
4. 模态特异性：不同模态的数据特性差异较大时，整合难度增加
5. 验证困难：生成的人工数据难以与真实数据完全对应，验证其生物学准确性具有挑战性

---

与其他方法的比较

特性	scPairing	Seurat v4	Harmony	scVI	MOFA+
多组学整合	支持	支持	有限	支持	支持
数据生成	支持	不支持	不支持	有限	不支持
三模态支持	支持	有限	不支持	不支持	支持
桥接整合	支持	不支持	不支持	不支持	不支持
计算效率	高	中	高	中	低
易用性	高	高	高	中	中

scPairing 的独特优势在于其桥接整合能力，能够利用少量配对数据生成大规模人工多组学数据，这是其他方法所不具备的。

---

代码可用性

scPairing 的代码已在 GitHub 上开源：

• GitHub 仓库：https://github.com/Ding-Group/scPairing
• 教程：包含四个示例教程，涵盖双模态和三模态数据的使用

代码结构：

• src/scPairing/：核心代码
• docs/：API 文档
• tutorials/：使用教程
• pyproject.toml 和 setup.cfg：安装配置文件

---

总结

scPairing 是一个创新的单细胞多组学数据整合与生成框架，通过桥接整合方法解决了多组学数据稀缺和成本高昂的问题。其主要创新点包括：

1. 桥接整合策略：利用少量配对数据作为桥接，生成大规模人工多组学数据
2. 增强的 VAE 架构：将不同模态映射到共同的超球面嵌入空间，保持生物学结构
3. 对比学习：受 CLIP 启发，使用对比损失对齐不同模态的嵌入
4. 对抗性训练：
   • 模态判别器：确保 RNA 和 ATAC 嵌入无法被区分，增强模态对齐
   • 批次判别器：消除嵌入中的批次效应，防止细胞按批次过度分离
5. 低维表示输入：接受来自 PCA、LSI、scVI、scGPT 等方法的低维表示，提高计算效率
6. 三模态扩展：支持同时整合三种模态的数据
7. 高质量生成：生成的数据在多个评估指标上接近真实多组学数据

scPairing 为单细胞多组学研究提供了一个实用的工具，特别适合以下场景：

• 缺乏大规模多组学数据但有丰富的单模态数据
• 需要探索跨模态的生物学关系
• 希望降低多组学实验成本
• 需要验证生物学假设但缺乏实验数据
• 需要消除批次效应同时保持生物学结构

随着单细胞技术的发展，scPairing 有望在多组学数据整合和生成领域发挥重要作用。

---

个人点评

和我的方法不能说是高度相似，简直可以说是英雄所见略同啊！但不同的地方有以下几点：

1. 最重要的：scPairing必须需要配对数据
2. scPairing 的编码器的输入也是低维嵌入，解码器的输出是高维的原始数据，这使得它可以具有生成能力
3. 在使用单细胞多组学数据作为“桥梁”训练后，使用二部图匹配，能够生成人工配对多组学数据（artificially paired multiomics data）
4. 引入了批次判别器+模态判别器，以更好地混合批次与模态。但我个人觉得可能会引入过矫正的问题
5. 额外引入了余弦相似度对齐损失，据称可以提高细胞配对成功率
6. 实现了三组学整合和生成
7. 在图谱级数据上做了实验，这个工作量确实不小。
8. 感觉它做的也还是比较全面的，图也不错，个人认为值得更好的期刊，最后发了个CRM，我也不亏0.0
9. 补充一点：它利用金标准的配对数据进行学习，不存在 ATAC-RNA 时空不匹配的问题，避免了纯算法配对的这一硬伤局限性。

相关链接

• 论文链接：https://www.cell.com/cell-reports-methods/fulltext/S2667-2375(25)00247-4
• GitHub 仓库：https://github.com/Ding-Group/scPairing
• Valence Labs 演讲视频：https://www.youtube.com/watch?v=hh-vWjQEkqw