《Briefings in Bioinformatics》:Adaptive multi-view information bottleneck for multi-omics data clustering
编辑推荐:
本研究针对单细胞多组学数据聚类中存在的互补信息整合与权重分配难题,开发了自适应多视图信息瓶颈框架scAMVIB。该方法通过相似性网络融合(SNF)构建跨组学关联特征矩阵,结合最大熵正则化实现视图权重动态分配,在保留生物学可解释性的同时显著提升了聚类精度。实验证明该方法在多个数据集上具有竞争优势,为细胞异质性研究提供了新工具。
随着单细胞测序技术的突破性进展,科研人员能够在细胞分辨率水平精确测量基因表达,这为解析细胞异质性和复杂生物过程提供了前所未有的机会。多组学数据的积累为细胞聚类——这一细胞类型鉴定和下游分析的关键基础——开辟了新途径。然而,在多组学数据中同时实现互补信息的有效整合及其适当权重分配仍然存在重大挑战。传统方法通常采用均匀加权方案,忽视了模态间固有的维度结构差异,这既影响了聚类效果,也降低了生物学合理性。
为了应对这些挑战,郑州大学等单位的研究团队在《Briefings in Bioinformatics》上发表了题为"Adaptive multi-view information bottleneck for multi-omics data clustering"的研究论文,提出了名为scAMVIB的自适应多视图信息瓶颈聚类框架。该模型能够学习捕获组学间关联和组学特异性模式的多视图组学表示,并实现自适应权重分配。
研究团队采用了几项关键技术方法:首先通过相似性网络融合(SNF)策略构建整合的组学特征矩阵,生成增强的样本矩阵S';其次将多组学数据和融合特征矩阵作为多视图输入,构建基于信息瓶颈(IB)原理的聚类框架;最后通过最大熵正则化实现视图权重的自适应分配,并采用顺序迭代优化算法获得最终细胞分区。研究使用了7个真实世界单细胞多组学数据集进行验证,包括CellLine、CBMN等多个平台数据。
多视图特征构建
研究人员将预处理的多组学数据(基因组、转录组、蛋白质组)作为独立视图输入。使用SNF与局部特征集(LFS)/全局特征集(GFS)策略,生成整合跨组学信息的增强样本矩阵S',同时缓解维度爆炸并最小化信息损失。具体而言,所有特征变量被指定为全局特征集(GFS),而特征选择产生的特征子集被指定为局部特征集(LFS)。通过基于邻域的传播在样本相似性网络(SSN)中精炼选定特征,保持组学特异性关联。
自适应多视图加权机制
针对多视图聚类中存在的特征空间和偏差异质性,研究团队实施了最大熵正则化以实现最优信息整合和动态视图加权。该方法根据每个组学视图的相对重要性分配适当权重:信息含量高、噪声低的视图被赋予更大权重,而噪声较大或稀疏的视图则降低权重。权重计算定义为wi= 1/√[1/|I(T;X)-βI(T;Yi)|],确保平衡且具有生物学意义的整合。
优化过程与聚类分配
在信息瓶颈框架内,研究团队开发了交替迭代优化算法。该过程包含两个阶段:当视图权重固定时,通过"抽取"和"合并"操作优化聚类分配;当聚类结果固定时,更新视图权重。算法初始化时将数据随机划分为k个簇,视图权重初始化为1/m。对每个细胞x∈X,从其当前簇中抽取,然后合并到使目标函数变化最小的新簇中,直到簇成员保持不变。
实验结果表明,scAMVIB在多个数据集上均表现出色。在ARI(调整兰德指数)指标上,scAMVIB在CellLine数据集达到0.959,CBMN数据集达到0.993,显著优于其他多组学方法。可视化分析显示,scAMVIB能够更好地区分真实多组学数据集中的细胞类型,保持明显的簇分离。学习到的权重分析进一步证实,scAMVIB成功根据每个视图的判别能力分配权重,例如在CBMN数据集中,scATAC/ADT视图被赋予最高权重(0.958),而融合视图获得最低权重(0.018)。
消融研究验证了多视图整合的必要性。当仅使用scRNA-seq视图时,CBMN数据集的ARI为0.532;仅使用scATAC/ADT视图时,ARI提升至0.993;而三视图完整整合时达到最佳性能0.993。这表明不同组学包含变化的判别信息,需要谨慎加权而非平等处理以获得最优聚类。
参数分析显示,信息瓶颈权衡参数β的最优值为50,这代表了关键平衡点,在单细胞数据的高噪声、高稀疏性特性下,提供了足够的压缩以作为有效的去噪滤波器,同时保留细胞类型区分所需的判别性生物信息。特征数K的分析表明,当K≥1000时聚类指标趋于稳定,确立K=1000为默认参数。
与通用多视图聚类算法的比较进一步证明了scAMVIB的优势。传统MVC方法在处理稀疏单细胞数据时表现不佳,而scAMVIB通过信息瓶颈策略有效处理高维稀疏性,同时捕获组学内和组学间关联,提高了聚类准确性和稳定性。
生物学分析验证了scAMVIB聚类结果的生物学相关性。在CellLine数据集上,Sankey图显示聚类结果与真实细胞类型注释高度一致。差异表达基因分析识别出每个簇的特异性标记基因,表达点图证实这些标记在预测和真实细胞类型中均表现出 distinct 表达模式,证明了scAMVIB解析生物学可解释细胞异质性的能力。
研究结论表明,scAMVIB框架通过自适应加权机制和跨组学信息融合,有效解决了单细胞多组学数据聚类中的关键挑战。该方法不仅在聚类准确性方面表现优越,还能保持生物学有意义的模式,为细胞类型鉴定和异质性研究提供了可靠工具。尽管计算效率仍有提升空间,但scAMVIB在平衡聚类精度和内存消耗方面展现出重要价值,特别适合资源受限的应用场景。未来工作将集中于通过算法优化提高可扩展性,扩展框架以支持更多组学模态,并探索其在细胞分化等动态过程中的应用。