构建超越高变特征选择的单细胞多组学分析预训练模型

单细胞多组学技术能够同时测量单个细胞中的转录组、表观基因组和蛋白质组模态，为解析细胞身份与调控提供了独特的机会。多组学数据的异质性，加上广泛的下游分析任务，凸显了对一个通用计算框架进行整合分析的需求。然而，当前的多组学分析方法通常依赖于任务特定的训练和高度可变的特征选择，这可能阻碍数据集之间有效的知识迁移，并丢弃具有生物学信息量的信号。在此，我们提出 scPMMI，一个用于单细胞多组学数据整合分析的预训练多模态模型。通过根据基因组坐标将特征分组为图块（patch），scPMMI 每细胞可处理数万个特征，并减少对先验特征选择的依赖，从而保留更完整的生物学信息。我们的结果表明，scPMMI 通过联合建模多组学数据学习到生物学上连贯的细胞表征。通过进一步的迁移学习，该模型可以很容易地适配，从而在多种下游任务中取得优异性能，包括多组学整合、细胞类型注释、蛋白质丰度预测、转录组增强和轨迹重建。

中文由 AI 翻译，仅供参考，以原文为准。