《Frontiers in Genetics》:SubPoE: a subgraph-induced Product-of-Experts framework for spatial multi-omics integration
编辑推荐:
引言:空间多组学(spatial multi-omics)技术可原位联合刻画多个分子层,从而实现对组织结构和细胞状态的整合表征。然而,许多基于图(graph)的方法仍然计算需求较高,因为它们依赖在全局图(global graph)上重复进行消息传递(messa
引言:空间多组学(spatial multi-omics)技术可原位联合刻画多个分子层,从而实现对组织结构和细胞状态的整合表征。然而,许多基于图(graph)的方法仍然计算需求较高,因为它们依赖在全局图(global graph)上重复进行消息传递(message passing);当多模态特征与图拓扑未被同步诱导时,朴素局部采样(naive local sampling)可能破坏细胞级对应关系(cell-level correspondence)。此外,简单拼接(concatenation)或固定权重融合(fixed-weight fusion)并未显式考虑表达衍生证据(expression-derived evidence)与空间证据(spatial evidence)之间不相等的不确定性(uncertainty),使所学表示对特征损坏(feature corruption)、技术噪声(technical noise)和模态不一致(modality inconsistency)敏感。
方法:研究人员提出SubPoE,一种用于空间多组学整合的子图诱导专家乘积(subgraph-induced Product-of-Experts, PoE)框架。SubPoE从模态特异性分子相似性图(modality-specific molecular similarity graphs)和共享空间图(shared spatial graph)中同步诱导对齐的局部子图(aligned local subgraphs),在降低每次迭代图复杂度(per-iteration graph complexity)的同时保持分子相似性拓扑对应关系(molecular-similarity topology correspondence)。双拓扑变分图编码器(dual-topology variational graph encoders)将表达衍生结构和空间上下文建模为概率专家(probabilistic experts),并通过专家乘积(Product-of-Experts)公式依据其不确定性进行自适应融合。复合自监督目标(composite self-supervised objective)进一步提高稳健性(robustness)和跨模态对齐(cross-modal alignment)。
结果:在八个公开配对空间多组学(paired spatial multi-omics)数据集上,SubPoE相对于现有方法取得了有竞争力和相对稳定的性能。消融(ablation)、敏感性(sensitivity)、稳健性(robustness)和效率(efficiency)实验进一步支持同步子图诱导(synchronous subgraph induction)和不确定性感知融合(uncertainty-aware fusion)的贡献。
讨论:这些结果确立了SubPoE作为学习异质性空间多组学数据拓扑保持、不确定性感知表示(topology-preserving, uncertainty-aware representations)的一种有效方法。
研究背景与问题:空间多组学技术可在天然组织背景中联合测量多个分子层,较单模态检测提供更丰富的组织架构、细胞状态和局部微环境信息;空间域识别(spatial domain identification)可将细胞或空间观测点分为具有不同分子程序且空间连贯的区域。图神经网络(graph neural networks, GNN)因可联合编码分子谱和空间邻域结构而成为空间组学整合的重要范式,STAGATE、GraphST、PAST、STAMP等方法已显示空间信息表示学习的价值,但它们主要面向单一转录组模态;SpatialGlue、SpaMV、SSGATE、spaVAE、PRAGA和CANDIES等进一步扩展到空间多组学整合,但仍普遍缺乏统一框架来同时保持细胞级分子相似性拓扑对应关系,并在融合中处理表达衍生证据与空间证据之间的不相等不确定性。随着分辨率和通量提高,数据更大更密,许多现有图方法仍依赖预定义全局图上的重复消息传递,计算和内存成本高;固定权重融合又无法适应不同不确定性。因此,需要同时兼顾计算效率和不确定性感知的统一框架。
研究人员提出SubPoE,一种子图诱导的专家乘积框架,以子图诱导、PoE融合和跨模态自监督整合三层架构,将表达衍生的细胞结构、空间邻域上下文和跨模态一致性统一建模,主要下游任务为基于整合表示聚类的空间域识别。研究表明,在八个公开配对空间多组学数据集上,SubPoE相对九种代表性方法取得有竞争力和相对稳定的空间聚类性能;消融和敏感性分析支持同步子图诱导、不确定性感知融合和跨模态自监督的作用;细胞级不确定性分析、扰动实验和效率评估显示其可自适应平衡模态证据、在受控特征扰动下保持稳健并降低每步图处理成本。其意义在于为异质性空间多组学数据提供拓扑保持、不确定性感知的表示学习框架,并为下游空间多组学分析提供灵活基础。
关键技术方法(不超过250字):研究人员对RNA选取高变基因,采用Seurat流程归一化、log转换和标准化;对ADT和ATAC采用TF-IDF、行L
1归一化和log(1+x),启用LSI时取低维表示、去除第一成分并标准化,随后按列min–max缩放。构建共享空间图(空间KNN)及各模态分子相似图(Pearson相关KNN)。每轮重采样种子节点并邻域扩展得到活动节点集,同步诱导并重索引各图边、切片特征。每模态用双分支图卷积变分编码器分别处理分子拓扑及分子加空间拓扑,PoE按后验精度融合。采用随机特征掩码、共享权重MLP解码器自重建和跨模态重建,并用重建、跨模态、KL及潜空间一致性损失联合优化。样本来源为八个公开配对空间多组学数据集:Human placenta、Human Lymph Node S1–S3、Human Tonsil S1–S2、Mouse Brain E13和E15。
研究结果:
3.1 基线方法与评价指标(Baseline methods and evaluation metrics):通过统一评价协议比较九种基线,涵盖图神经网络、图注意力、变分生成模型和跨模态表示学习;空间转录组方法仅输入基因表达矩阵和空间坐标,空间多组学方法输入完整配对组学谱和空间信息;采用归一化互信息(NMI)、调整互信息(AMI)、Fowlkes–Mallows指数(FMI)、调整兰德指数(ARI)、V-measure和完整度(Compl.)六项指标评价聚类。
3.2 空间域识别的跨数据集评估(Cross-dataset evaluation of spatial domain identification):在八个配对空间多组学数据集上比较SubPoE与九种方法,SubPoE六项指标跨数据集均值最高,分别为0.41、0.40、0.47、0.31、0.41和0.38;最强基线GraphST分别为0.38、0.37、0.44、0.25、0.38和0.36,SubPoE相对提升7.07%、7.24%、6.32%、21.17%、7.07%和6.29%,平均提升9.19%,ARI增益最大;种子特异性分布显示其中位数较高且分布较紧凑,说明跨组织、发育阶段和模态组合的总体聚类一致性和稳定性较好,而非仅来自单一数据集。
3.3 空间域识别的定性分析(Qualitative analysis of spatial domain identification):在Human Lymph Node S1的RNA–ADT配对数据上,比较单模态RNA和ADT表示、SubPoE及九种基线;SubPoE恢复出较宽泛且空间连贯的组织分区,边界较可区分,UMAP中十个簇较紧凑且可区分,而原始RNA和ADT表示邻簇重叠更大,说明SubPoE将转录组和蛋白信息整合为更有结构的淋巴结异质性表示。
3.4 消融与敏感性分析(Ablation and sensitivity analyses):通过去除节点诱导子图采样、PoE融合、特征掩码或自重建损失中Pearson相关分量的变体比较,Human placenta中去除子图采样使ARI由0.56降至0.19,去除PoE降至0.22;Human Lymph Node S1中去除子图采样使ARI由0.27降至0.13,去除特征掩码降至0.14;全模型总体最佳,提示四组件互补。八项超参数敏感性分析显示,子图大小s影响最强且依赖数据集,掩码概率p对多数数据集影响较小但Human placenta在引入掩码后明显下降,特征邻居数k
f和空间邻居数k
s波动较温和且无共同最优,总体在多数超参数范围内较稳定。
3.5 不确定性感知PoE解读(Uncertainty-aware PoE interpretation):在Human Tonsil S1的RNA模态上,将分子拓扑专家和空间增强专家的后验方差按潜维平均作为细胞级不确定性,并按精度归一化空间专家贡献;空间专家相对不确定性与空间专家贡献呈强负相关(r
s=-0.852,p<10
-300),研究人员将其解释为PoE决策规则的直接可视化,而非独立性能优势证据;w/o PoE变体以直接拼接替代按精度融合且保留其余组件和训练设置,八数据集六项聚类指标一致下降,支持PoE相对确定性拼接的实际优势。
3.6 SubPoE对ATAC特征扰动的稳健性(Robustness of SubPoE to ATAC feature perturbations):在Mouse Brain E13的RNA–ATAC数据上,保留全部空间观测和两模态,仅对ATAC进行高斯噪声、特征丢弃和信号衰减三类特征级扰动,五个扰动种子下不重训评估;中度高斯扰动下较稳定,α=0.2以内ARI、NMI和FMI变化有限,α=0.5时保留基线ARI的71.8%、NMI的62.5%、FMI的93.4%,ATAC专家不确定性增加4.47×10
-4;30%特征丢弃时NMI保留94.2%,ARI和FMI保留高于1.0;信号衰减至β=0.6时NMI保留94.4%,ARI和FMI保留高于基线;说明SubPoE可耐受可用ATAC特征的中度扰动,而强高斯噪声更明显降低基于信息的聚类一致性。
3.7 节点诱导子图采样的作用与计算效率(Role and computational efficiency of node-induced subgraph sampling):在八个数据集上比较64、128、256、512和1,024节点子图训练与无子图采样的全图训练(No SG),采样子图训练通常获得更高聚类分数;Human placenta中256节点设置ARI、NMI、FMI分别为0.483、0.695、0.570,No SG为0.195、0.357、0.315;Human Tonsil S2中512节点设置分别为0.192、0.274、0.459,No SG为0.064、0.121、0.235;No SG虽使用完整图但性能更低,说明子图诱导是表示学习的组成部分,重复重采样使模型接触多样局部邻域,且对子图大小的非单调依赖提示正则效应,最优大小依赖数据集。效率比较显示,Human Tonsil S1上SubPoE运行时间、峰值RAM和VRAM开销相对较低;1,024节点设置相对全图训练减少诱导边约94%、每步训练时间89%、批张量内存78%,并保留约24%局部邻居,说明其大幅降低计算成本同时保留足够局部结构。
讨论与结论翻译:讨论指出,当前研究主要通过空间聚类相关任务评估配对空间多组学数据;PoE融合目前应用于每个模态内拓扑特异性专家,而跨模态表示通过潜在拼接和自监督约束整合;未来工作可扩展至更广泛模态组合、不完整模态设置和更大空间数据集,并开发全概率跨模态融合策略及引入生物先验以提高可解释性。研究结论翻译如下:在本研究中,研究人员提出SubPoE,一种用于空间多组学整合的子图诱导专家乘积框架。动态节点诱导子图在模态特异性分子相似图、共享空间图和多组学特征之间提供细胞对齐的局部训练视图。在每个模态内,双拓扑变分图编码器将特征拓扑和空间拓扑表示为概率专家,其证据通过PoE根据后验精度自适应结合。复合自监督目标进一步约束多模态表示。因此,SubPoE在统一框架内组织局部拓扑学习、分支不确定性建模和跨模态自监督正则化,而非作为独立模块集合。在八个公开配对空间多组学数据集上,SubPoE相对于九种代表性方法取得有竞争力和相对稳定的空间聚类性能,消融结果支持子图诱导和PoE融合的贡献。当前研究主要通过空间聚类相关任务评估配对空间多组学数据。此外,PoE融合目前应用于每个模态内拓扑特异性专家,而跨模态表示通过潜在拼接和自监督约束整合。未来工作可将SubPoE扩展到更广泛模态组合、不完整模态设置和更大空间数据集,同时开发全概率跨模态融合策略并引入生物先验提高可解释性。总体而言,SubPoE为整合互补分子和空间信息提供实用框架,并为下游空间多组学分析提供灵活基础。