南开大学张瀚等团队：一边去噪，一边整合，统一解析单细胞与空间多组学
NCB：南开大学张瀚等团队：一边去噪，一边整合，统一解析单细胞与空间多组学来源：iNature 2026-10-05 11:57
该研究提出DePass——一个可扩展的图学习框架，用于单细胞和空间多组学中的配对数据整合。
近期测序技术的进展使得能够为单细胞和空间背景两者生成丰富的多组学数据。整合此类多模态数据对于解析细胞和组织层面的复杂性至关重要。然而，与单模态分析相比，多模态数据通常表现出更高水平的噪声，而现有方法在整合过程中通常忽视这一挑战。同时，大多数当前方法针对单细胞或空间数据中的一种，限制了它们跨数据类型的适用性。
2026年9月24日，南开大学张瀚和华大基因研究院赵鑫共同通讯在Nature Cell Biology在线发表题为“The dual-enhanced graph learning framework DePass allows paired data integration in single-cell and spatial multiomics”的研究论文。该研究提出DePass——一个可扩展的图学习框架，用于单细胞和空间多组学中的配对数据整合。
作者提出了一种耦合增强-整合架构，其迭代地去噪数据并改进整合嵌入。作者在6种模态、9种组织类型和13个实验平台上系统地对DePass进行了基准测试，证明了其优越的整合准确性。在内部结直肠癌数据中，DePass进一步以近单细胞分辨率揭示了免疫微环境亚结构和空间肿瘤异质性。这些结果将DePass确立为跨多种生物学背景的多组学整合的统一且可泛化的解决方案。
先进的测序技术已产生了丰富的单细胞多组学数据，而新兴的空间谱分析方法现在使得能够在同一组织切片内原位测量多个分子层面。多种组学模态的互补性为细胞异质性和组织结构提供了多维视角。因此，有效整合此类数据对于全面理解生物学复杂性至关重要。然而，与单模态分析相比，多模态数据通常表现出跨组学层面的跨模态分布差异和升高的噪声水平，对有效整合构成了重大挑战。
当前主流的整合工具，如MOFA+、Seurat和totalVI，是针对单细胞多组学数据定制的，无法纳入空间信息。随着空间分辨多组学的出现，近期涌现了几种专门的空间整合方法，包括SpatialGlue、COSMOS和MISO。然而，这些工具在范围和功能上存在一些局限性。例如，SpatialGlue使用共享编码器联合处理空间和表达数据，可能忽视特定差异并导致信息丢失。COSMOS仅限于两个空间组学层面的整合，无法轻易扩展到其他模态。尽管MISO通过谱聚类优化在整合组织学图像和组学数据方面表现良好，但其静态跨模态整合在噪声和异质性数据中可能不是最优的。值得注意的是，这些方法均未在整合过程中纳入数据增强以去除噪声。总之，现有方法通常专门针对单细胞或空间多组学数据中的一种，而作者的目标是开发一个可泛化且噪声感知的整合框架，能够在两种数据类型中有效运作。
图1.DePass工作流程（摘自Nature Cell Biology ）
在此，作者提出DePass——一个灵活的双增强图学习框架，用于单细胞和空间多组学两者的配对数据整合。DePass适应任意数量的输入模态，并能高效扩展到大型数据集。其迭代耦合架构将数据增强与多模态整合相结合，使得能够同时对原始组学数据进行去噪和优化嵌入空间。具体而言，作者引入了一种带反馈的双增强策略，对原始多组学数据进行去噪。接下来，一个带注意力的双通道图卷积网络（GCN）捕捉每个模态内的特征相似性和空间邻近性。来自多个模态的信息随后通过跨模态自适应注意力机制进行整合，该机制动态量化模态特异性贡献。融合后的表征随后被反馈以指导和强化数据增强，形成一个闭环工作流程，确保稳健的多模态整合。此外，基于子图的学习策略支持在大规模数据集上的高效训练。作者在15个数据集上验证了DePass，涵盖6种模态、9种组织类型和13个平台，证明了其有效性和广泛适用性。在内部结直肠癌（CRC）数据中，DePass进一步以近单细胞分辨率解析了免疫微环境亚结构和肿瘤异质性。
参考消息：[url=https://www.nature.com/articles/s41556-026-02067-8]https://www.nature.com/articles/s41556-026-02067-8[/url]
页:
[1]