时空组学研究进展（六）｜单细胞多组学测序技术

期刊：Science China-Life Sciences

影响因子：8.0

常规多組(zǔ)学技術(shù)，目前已被广泛应用于疾病發(fā)展(zhǎn)、組(zǔ)织發(fā)育等研究领域。在单細(xì)胞(bāo)水平，从相同(tóng)或相似来源的不同(tóng)細(xì)胞(bāo)中(zhōng)获取多种組(zǔ)学信息，通过单細(xì)胞(bāo)转录組(zǔ)鉴定細(xì)胞(bāo)类型後(hòu)关聯(lián)到其他相似細(xì)胞(bāo)的不同(tóng)組(zǔ)学层麪(miàn)，以發(fā)现新的細(xì)胞(bāo)亚群和新的生(shēng)物学机制。測(cè)序技術(shù)的高速發(fā)展(zhǎn)使得在单細(xì)胞(bāo)分辨率下检測(cè)同(tóng)一細(xì)胞(bāo)中(zhōng)的DNA、mRNA、表(biǎo)观基因組(zǔ)和蛋(dàn)白质組(zǔ)等信息成为可能。

为了整合单細(xì)胞(bāo)多組(zǔ)学数據(jù)，目前已经开發(fā)了多种生(shēng)物信息学算(suàn)法(fǎ)。在本章中(zhōng)，作者回顾了：

（1）捕(bǔ)获同(tóng)一細(xì)胞(bāo)的单細(xì)胞(bāo)多組(zǔ)学技術(shù)的最新發(fā)展(zhǎn)，主要集中(zhōng)在以转录組(zǔ)为核心的多組(zǔ)学技術(shù)（表(biǎo)3）；

（2）多組(zǔ)学数據(jù)整合分析方法(fǎ)和工具的最新进展(zhǎn)，包括针对未配(pèi)对多組(zǔ)学数據(jù)集和配(pèi)对多組(zǔ)学数據(jù)集的应用和算(suàn)法(fǎ)；

（3）总结单細(xì)胞(bāo)多組(zǔ)学整合分析基准研究中(zhōng)数據(jù)整合方法(fǎ)的性能。

展(zhǎn)开全文(wén)

单細(xì)胞(bāo)多組(zǔ)学測(cè)序技術(shù)

通过单細(xì)胞(bāo)多組(zǔ)学技術(shù)，可以分析同(tóng)一細(xì)胞(bāo)的多种类型的分子。近年来，人们开發(fā)了多种单細(xì)胞(bāo)測(cè)序方法(fǎ)，用于捕(bǔ)获基因組(zǔ)DNA（gDNA）、转录組(zǔ)、蛋(dàn)白质組(zǔ)和表(biǎo)观基因組(zǔ)。单細(xì)胞(bāo)多組(zǔ)学測(cè)序技術(shù)工作流程的主要步骤如圖(tú)13所示。

圖(tú)13 单細(xì)胞(bāo)多組(zǔ)学測(cè)序技術(shù)的主要实验流程

1. 转录組(zǔ)+gDNA

目前已有多种技術(shù)可以同(tóng)时測(cè)量(liàng)单个細(xì)胞(bāo)中(zhōng)的mRNA和gDNA。G&T-seq（Genome and transcriptome sequencing）应用流式細(xì)胞(bāo)術(shù)分离細(xì)胞(bāo)，使用beads分离細(xì)胞(bāo)中(zhōng)的mRNA和gDNA。DR-seq（gDNA-mRNA sequencing）通过移液管分选細(xì)胞(bāo)，然(rán)後(hòu)分离和扩增标记的gDNA和mRNA。SIDR技術(shù) (Simultaneous isolation of genomic DNA and total RNA)使用微孔板分选細(xì)胞(bāo)，并通过低渗胞(bāo)饮法(fǎ)分离細(xì)胞(bāo)核和細(xì)胞(bāo)质。TARGET-seq技術(shù)优化了FACS的細(xì)胞(bāo)分离和逆转录聚合酶链反应（RT-PCR）扩增步骤，提(tí)高了細(xì)胞(bāo)通量(liàng)。

2. 转录組(zǔ)+表(biǎo)观基因組(zǔ)

亚硫酸氢盐（BS）处理可以转化發(fā)生(shēng)甲基化和未發(fā)生(shēng)甲基化的DNA CG位點(diǎn)，并通过PCR和二代測(cè)序在单核苷酸分辨率上分析DNA甲基化。基于该原理，目前已经开發(fā)了多种单細(xì)胞(bāo)甲基化測(cè)序技術(shù)，用于检測(cè)单細(xì)胞(bāo)水平上的甲基化修饰水平，包括scRRBS、scWGBS、snmC-seq和sci-MET。同(tóng)样的，目前已开發(fā)多种单細(xì)胞(bāo)多組(zǔ)学技術(shù)，捕(bǔ)获同(tóng)一細(xì)胞(bāo)中(zhōng)的mRNA和gDNA的甲基化。首先，scM&T -seq（single-cell methylome and transcriptome sequencing）使用与G&T-seq类似的方法(fǎ)，利用流式分离細(xì)胞(bāo)，基于beads分离細(xì)胞(bāo)的mRNA和gDNA，然(rán)後(hòu)进行亚硫酸氢盐处理。scMT-seq（simultaneous single-cell methylome and transcriptome sequencing）使用微量(liàng)移液法(fǎ)从单細(xì)胞(bāo)裂解物中(zhōng)分离細(xì)胞(bāo)核，并通过scRRBS和改良的Smart-seq2流程分别生(shēng)成DNA甲基化和转录組(zǔ)数據(jù)。此外，scTrio-seq可以分析同(tóng)一細(xì)胞(bāo)中(zhōng)的基因組(zǔ)CNVs、DNA甲基化和转录組(zǔ)，其中(zhōng)基因組(zǔ)CNVs可以通过大量(liàng)RRBS数據(jù)从scRRBS中(zhōng)计算(suàn)推断出来。

多种基于二代測(cè)序的技術(shù)，如ChIPseq、Dnase -seq、ATAC-seq，用于研究表(biǎo)观基因組(zǔ)圖(tú)谱，如染色质结构和組(zǔ)蛋(dàn)白修饰。另一种类似的方法(fǎ)，NOMe-Seq (Nucleosome Occupancy and Methylome Sequencing)可以使用外源性M. CviPI GpC甲基转移酶标记开放的基因組(zǔ)区域，同(tóng)时測(cè)定核小体占位和甲基化水平。在这些方法(fǎ)的基础上，还开發(fā)了许多新的技術(shù)来測(cè)量(liàng)染色质可及性、DNA甲基化或单細(xì)胞(bāo)分辨率下染色质可及位點(diǎn)的組(zǔ)蛋(dàn)白修饰，如scDNase-seq、sci-ATAC seq、scATAC-seq、scMNase-seq、scChIP-seq等，可以检測(cè)H3K4me3和H3K4me2修饰。

基于这些技術(shù)，开發(fā)了多种聯(lián)合检測(cè)染色质可及性和转录組(zǔ)的单細(xì)胞(bāo)多組(zǔ)学高通量(liàng)方法(fǎ)。Cao等人（2018）开發(fā)了sci-CAR，是第一个可以同(tóng)时分析同(tóng)一細(xì)胞(bāo)中(zhōng)mRNA和ATAC的技術(shù)。Sci-CAR对每个細(xì)胞(bāo)进行組(zǔ)合索引，通过FACs分离細(xì)胞(bāo)，裂解後(hòu)进行扩增測(cè)序。Cao等人（2018）将sci-CAR技術(shù)应用于人类和小鼠細(xì)胞(bāo)系(xì)混合物以及小鼠肾組(zǔ)织，并从聯(lián)合分析数據(jù)集中(zhōng)确定了顺式調(diào)控网络。然(rán)而(ér)，由于scATAC数據(jù)模式的高稀疏性和scRNA模式測(cè)序深度有限，在sci-CAR数據(jù)集中(zhōng)只能重现少数其他scRNA 和 scATAC 測(cè)序中(zhōng)的差(chà)异可及位點(diǎn)和差(chà)异表(biǎo)达基因。Chen等（2019d）开發(fā)了基于液滴的SNARE-seq（single-nucleus chromatin accessibility and mRNA expression sequencing），增强了scRNA和scATAC的測(cè)序覆盖范围，并改善了sci-CAR技術(shù)的覆盖限制。SNARE-seq使用夹板寡核苷酸，其序列与 ATAC 转座酶插入的接头序列（5' 端）和 mRNA polyA序列互补，可以捕(bǔ)获兩(liǎng)个組(zǔ)学数據(jù)。与 sci-CAR 相比(bǐ)，SNARE-seq 在小鼠脑数據(jù)集和成人脑数據(jù)集中(zhōng)检測(cè)到的染色质可及位點(diǎn)是 sciCAR 組(zǔ)织数據(jù)集的4-5倍，并通过細(xì)胞(bāo)組(zǔ)合索引策略提(tí)高了检測(cè)通量(liàng)。Zhu等（2019b）进一步完善了该方案，开發(fā)了Paired-seq，通过測(cè)序同(tóng)时检測(cè)单个細(xì)胞(bāo)中(zhōng)的RNA表(biǎo)达和DNA可及性。其主要是采用基于连接的組(zǔ)合索引策略，通过 Tn5 转座酶切割开放染色质片段，通过RNA反转录得到cDNA 分子。使用Paired-seq技術(shù)检測(cè)小鼠胚胎大脑皮层組(zǔ)织，并与ENCODE小鼠胚胎大脑皮层組(zǔ)织数據(jù)集进行整合分析，重建細(xì)胞(bāo)轨迹，并从双組(zǔ)学数據(jù)集中(zhōng)恢复了顺式調(diào)控网络。Ma等人（2020）开發(fā)了SHARE-seq技術(shù)（simultaneous high-throughput ATAC and RNA expression with sequencing），该方法(fǎ)使用多轮杂交阻断来聯(lián)合标记同(tóng)一单細(xì)胞(bāo)中(zhōng)的mRNA和染色质片段。与sciCAR、SNARE-seq和Paired-seq相比(bǐ)，SHARE-seq在超过30,000个細(xì)胞(bāo)的更大文(wén)库上具有更高的可扩展(zhǎn)性，并且在每个細(xì)胞(bāo)中(zhōng)检測(cè)到更多的基因和ATAC peak时具有更高的灵敏度。基于更高的数據(jù)质量(liàng)，Ma等人给出了一个新的计算(suàn)策略DORCs（domains of regulatory chromatin，調(diào)控染色质域），而(ér)不是单个峰来分析染色质可及性和基因表(biǎo)达之间的調(diào)控圖(tú)谱，DORCs在細(xì)胞(bāo)谱系(xì)选择和細(xì)胞(bāo)命运决定中(zhōng)优于基因表(biǎo)达，可以更好的预測(cè)細(xì)胞(bāo)命运。最近，10x Genomics 开發(fā)了10x Multiome，一个用于单細(xì)胞(bāo)中(zhōng)scRNA和scATAC聯(lián)合检測(cè)的商业服务平台，这将加速scRNA和scATAC多組(zǔ)学技術(shù)在更多生(shēng)物学和临床研究中(zhōng)的应用。

3. 转录組(zǔ)+蛋(dàn)白組(zǔ)

除了针对DNA和RNA的单細(xì)胞(bāo)多組(zǔ)学，还开發(fā)了多种可以同(tóng)时測(cè)量(liàng)同(tóng)一細(xì)胞(bāo)中(zhōng)RNA和蛋(dàn)白质的单細(xì)胞(bāo)技術(shù)。PEA/STA技術(shù)（proximity extension assay/specific RNA target amplification）使用逆转录酶作为DNA聚合酶，用于RNA的反转录和38种蛋(dàn)白PEA中(zhōng)DNA寡核苷酸的延伸，以使cDNA合成和PEA能够同(tóng)时在 Fluidigm C1 TM 系(xì)统中(zhōng)进行。PLAYR（proximity ligation assay for RNA）技術(shù)是一种使用流式細(xì)胞(bāo)術(shù)和质谱流式細(xì)胞(bāo)技術(shù)进行多重转录物定量(liàng)的方法(fǎ)，与标准抗体染色兼容。PLAYR允许同(tóng)时測(cè)量(liàng)40多种mRNA和蛋(dàn)白质，并能够在单細(xì)胞(bāo)水平上表(biǎo)征转录和翻译之间的相互作用。除了蛋(dàn)白-RNA聯(lián)合检測(cè)外，还开發(fā)了兩(liǎng)种靶向表(biǎo)麪(miàn)蛋(dàn)白和mRNA的方法(fǎ)：CITE-seq和REAP-seq，这兩(liǎng)种技術(shù)使用寡核苷酸标记的抗体检測(cè)mRNA和細(xì)胞(bāo)表(biǎo)麪(miàn)蛋(dàn)白，并通过基于液滴的单細(xì)胞(bāo)測(cè)序方法(fǎ)实现单細(xì)胞(bāo)水平的多組(zǔ)学分析，极大地(dì)提(tí)高了转录組(zǔ)的通量(liàng)。例如，REAP-seq可以用82种抗体定量(liàng)蛋(dàn)白质，并在一次实验中(zhōng)检測(cè)超过20,000个基因。RAID（single-cell RNA and immunodetection）可以检測(cè)細(xì)胞(bāo)内蛋(dàn)白和磷酸化蛋(dàn)白以及mRNA。RAID用连接RNA条形码的抗体对細(xì)胞(bāo)内靶蛋(dàn)白进行免疫标记，然(rán)後(hòu)将蛋(dàn)白转化为RNA。

4. 捕(bǔ)获兩(liǎng)种以上組(zǔ)学的技術(shù)

基于上麪(miàn)讨论的方法(fǎ)，还开發(fā)了多种方法(fǎ)检測(cè)同(tóng)一个細(xì)胞(bāo)中(zhōng)兩(liǎng)个以上的組(zǔ)学。scNMT-seq（Single-cell nucleosome, methylation and transcription sequencing）将scM&T-seq和NOMe-seq相结合，用于測(cè)量(liàng)同(tóng)一細(xì)胞(bāo)中(zhōng)的核小体、转录組(zǔ)和DNA甲基化信息。scNOMeRe-seq，能够在同(tóng)一个細(xì)胞(bāo)中(zhōng)分析全基因組(zǔ)染色质可及性、DNA甲基化和转录組(zǔ)。基于CITE-seq，开發(fā)了ECCITE-seq(Expanded CRISPR-compatible Cellular Indexing of Transcriptomes and Epitopes by sequencing)，可以同(tóng)时检測(cè)单細(xì)胞(bāo)中(zhōng)的蛋(dàn)白、转录組(zǔ)、克隆型和CRISPR信息。通过整合pair -seq与CUT&Tag技術(shù)，开發(fā)了Paired-Tag技術(shù)，可以同(tóng)时分析同(tóng)一細(xì)胞(bāo)中(zhōng)scRNA，scATAC和五种組(zǔ)蛋(dàn)白修饰。scCUT&Tag-pro技術(shù)，也是将CUT&Tag与CITE-seq结合，通过CUT&Tag文(wén)库捕(bǔ)获5个組(zǔ)蛋(dàn)白修饰，通过抗体衍生(shēng)蛋(dàn)白标签文(wén)库捕(bǔ)获蛋(dàn)白质。

多組(zǔ)学整合分析

单細(xì)胞(bāo)多組(zǔ)学技術(shù)的發(fā)展(zhǎn)为多视角(jiǎo)、多维度、高分辨率的揭示分子机制提(tí)供了丰富的数據(jù)资源。然(rán)而(ér)，由于数據(jù)维数高、数據(jù)稀疏度高以及多組(zǔ)学数據(jù)集和技術(shù)之间变量(liàng)复杂等问题，难以对多組(zǔ)学数據(jù)集进行正确的整合分析。目前越来越多的算(suàn)法(fǎ)被开發(fā)出来，本文(wén)从以下兩(liǎng)个角(jiǎo)度介绍了多組(zǔ)学整合分析算(suàn)法(fǎ)和相关研究，包括（1）多組(zǔ)学整合工具的类别，其中(zhōng)介绍了最近發(fā)表(biǎo)的单細(xì)胞(bāo)多組(zǔ)学整合工具，并按照不同(tóng)的分类标准进行分类；（2）最近發(fā)表(biǎo)的工具的基准研究。

1. 多組(zǔ)学整合工具的分类

基于之前的综述论文(wén)，可以应用几个标准对多組(zǔ)学整合工具进行分类。首先，基于数據(jù)集的共同(tóng)特征（称为锚點(diǎn)）的选择，多組(zǔ)学整合分析可以分为四种主要的整合策略，包括以所有基因組(zǔ)特征（如基因）为锚點(diǎn)的水平整合，以所有共同(tóng)細(xì)胞(bāo)为锚點(diǎn)的垂直整合，无共享特征的对角(jiǎo)线整合以及以部分共享細(xì)胞(bāo)和部分共享基因組(zǔ)特征为锚點(diǎn)的马赛克整合。具有相似方法(fǎ)学的工具也可能被开發(fā)为不同(tóng)类型。例如，对于基于非负矩阵分解 （NMF） 的算(suàn)法(fǎ)，iNMF被设计为垂直整合工具，coupledNMF被设计为对角(jiǎo)线整合工具，UINMF被设计为马赛克整合工具。

其次，多組(zǔ)学整合工具也可以根據(jù)多組(zǔ)学技術(shù)的类型分类，包括“配(pèi)对”和“非配(pèi)对”整合工具。配(pèi)对的多組(zǔ)学整合工具是专门为同(tóng)时从同(tóng)一細(xì)胞(bāo)捕(bǔ)获和測(cè)序的多組(zǔ)学数據(jù)集而(ér)设计的。配(pèi)对整合工具通常采用垂直整合和镶嵌整合策略，因为配(pèi)对数據(jù)集在不同(tóng)組(zǔ)学之间共享全部或部分細(xì)胞(bāo)。非配(pèi)对整合工具旨在整合来自不同(tóng)細(xì)胞(bāo)的多种单細(xì)胞(bāo)組(zǔ)学数據(jù)，因为一种組(zǔ)学的細(xì)胞(bāo)无法(fǎ)从其他組(zǔ)学中(zhōng)找到匹配(pèi)的細(xì)胞(bāo)。由于細(xì)胞(bāo)和基因的差(chà)异，对角(jiǎo)线整合通常用于非成对数據(jù)整合。针对配(pèi)对或非配(pèi)对多組(zǔ)学数據(jù)集整合，开發(fā)了一些工具。例如，Seurat v3是为未配(pèi)对的多組(zǔ)学数據(jù)集设计的，而(ér)更新版本Seurat v4是专门为配(pèi)对的多組(zǔ)学数據(jù)集设计的。一些整合工具可以同(tóng)时应用于成对和非成对的多組(zǔ)学数據(jù)集。

第三，基于方法(fǎ)论，多組(zǔ)学整合工具可以分为：数学矩阵分解方法(fǎ)、流形对齐方法(fǎ)、基于网络的方法(fǎ)和深度学习方法(fǎ)。深度学习整合工具可以根據(jù)深度模型的基础结构进一步分类，包括自编码器（AE）、生(shēng)成对抗网络（GAN）、GNN及其扩展(zhǎn)结构，如变分自编码器（VAE）。选择哪种方法(fǎ)很大程度上取决于多組(zǔ)学数據(jù)集的类型和整合目的。对于未配(pèi)对的多組(zǔ)学数據(jù)集，流形对齐方法(fǎ)可以首先将多組(zǔ)学数據(jù)集的不同(tóng)特征降低到同(tóng)一维度的潜在嵌入/流形中(zhōng)，然(rán)後(hòu)通过相同(tóng)的流形整合异构組(zǔ)学。同(tóng)样，矩阵分解方法(fǎ)可以通过将不匹配(pèi)的基因或細(xì)胞(bāo)矩阵分解为相同(tóng)维度的矩阵以应用于不同(tóng)的整合任务，与简单的降维方法(fǎ)以及流形对齐相比(bǐ)，信息损失更少。使用GAN, VAE和transformer的深度学习工具可以从相同(tóng)細(xì)胞(bāo)或共享細(xì)胞(bāo)的不同(tóng)組(zǔ)学中(zhōng)学习到共同(tóng)的潜在嵌入信息，然(rán)後(hòu)填补缺失的細(xì)胞(bāo)和基因，如GNN模型用于学习不同(tóng)类型的特征（如scRNA中(zhōng)的基因和scATAC中(zhōng)的peak等）之间的关系(xì)，并推断多組(zǔ)学数據(jù)中(zhōng)的生(shēng)物网络。

第四，根據(jù)特定的組(zǔ)学对多組(zǔ)学整合工具进行分类。针对特定的多組(zǔ)学数據(jù)集整合，设计了一些多組(zǔ)学整合算(suàn)法(fǎ)；例如，CiteFuse是为CITE-seq分析而(ér)设计的，SCIM是为scRNA和CyTOF整合而(ér)设计的，而(ér)scMVP是为配(pèi)对的scRNA和scATAC数據(jù)集整合而(ér)开發(fā)的。此外，除了这些仅限于特定組(zǔ)学数據(jù)类型的工具外，还有一些算(suàn)法(fǎ)，如LIGER是为一般性整合任务而(ér)设计的，不受整合組(zǔ)学类型的限制。

多組(zǔ)学整合工具还可以按Python、R等主要编码语言以及跨組(zǔ)学翻译等特殊整合应用程序进行分类。所有多組(zǔ)学整合工具及其类别总结在补充材料中(zhōng)。

2. 单細(xì)胞(bāo)多組(zǔ)学整合工具的基准研究

尽管针对多組(zǔ)学单細(xì)胞(bāo)分析已经發(fā)表(biǎo)了大量(liàng)的整合算(suàn)法(fǎ)，但仍然(rán)很难找到最优解。为了解决这个问题，最近有多项基准研究，试圖(tú)从数據(jù)用户的角(jiǎo)度对候选整合算(suàn)法(fǎ)的性能进行全麪(miàn)而(ér)客观的评估。

Luecken等人（2022）对单細(xì)胞(bāo)整合工具进行了基准分析，用于圖(tú)谱级数據(jù)整合任务，并开發(fā)了一个对单細(xì)胞(bāo)整合工具进行客观、全麪(miàn)和可重复评估的基准流程。该研究包括几个未配(pèi)对的多組(zǔ)学单細(xì)胞(bāo)整合工具；然(rán)而(ér)，该研究只针对来自相同(tóng)組(zǔ)学的不同(tóng)数據(jù)集的整合任务，如不同(tóng)scRNA数據(jù)集的整合或不同(tóng)scATAC数據(jù)集的整合，而(ér)没有提(tí)供评估配(pèi)对或未配(pèi)对的scRNA和scATAC数據(jù)的跨組(zǔ)学整合。尽管如此，本研究仍然(rán)为单細(xì)胞(bāo)圖(tú)谱整合评估提(tí)供了一个稳定、全麪(miàn)、高度可扩展(zhǎn)的基准框架。

最近，为了更好地(dì)应对单細(xì)胞(bāo)多組(zǔ)学整合分析的数據(jù)稀疏性、技術(shù)和生(shēng)物可变性以及高维度带来的分析挑战，NeuraIPS2021組(zǔ)织了关于整合单細(xì)胞(bāo)多組(zǔ)学数據(jù)三个主要任务的在线竞赛，包括（1）从一种組(zǔ)学预測(cè)另一种組(zǔ)学，（2）不同(tóng)組(zǔ)学之间的細(xì)胞(bāo)匹配(pèi)，（3）共同(tóng)学习細(xì)胞(bāo)身份的表(biǎo)征。其中(zhōng)，第二项任务是针对非配(pèi)对多組(zǔ)学整合工具设计的，第三项任务是针对配(pèi)对多組(zǔ)学整合工具设计的。此外，竞赛还生(shēng)成了第一个单細(xì)胞(bāo)多組(zǔ)学基准数據(jù)集，包括一个CITE-seq数據(jù)集，其中(zhōng)包含90000个細(xì)胞(bāo)，用于scRNA和蛋(dàn)白质整合任务，以及一个10x Multiome数據(jù)集，包含70000个細(xì)胞(bāo)，用于scRNA和scATAC整合任务。在三个任务中(zhōng)，GLUE包中(zhōng)的半监督模式匹配(pèi)函数CLUE（cross-linked universal embedding）算(suàn)法(fǎ)在第二个組(zǔ)学匹配(pèi)任务中(zhōng)获得一等奖并获得所有类别的冠军，显示了在未配(pèi)对整合工具中(zhōng)交叉組(zǔ)学匹配(pèi)的最佳性能。然(rán)而(ér)，由于竞赛只评估在线提(tí)交者的算(suàn)法(fǎ)，大多数已發(fā)表(biǎo)的单細(xì)胞(bāo)多組(zǔ)学整合工具不在评估范围内。

为了进一步比(bǐ)较已發(fā)表(biǎo)的单細(xì)胞(bāo)多組(zǔ)学整合工具与深度学习框架，Brombacher等人（2022）首先使用深度学习模型回顾了18个最近發(fā)表(biǎo)的多組(zǔ)学整合工具，然(rán)後(hòu)使用来自NeuraIPS2021的CITE-seq数據(jù)集和10x Multiome数據(jù)集对选定的工具进行了第一次全麪(miàn)的基准研究。在生(shēng)物特征保存任务中(zhōng)，Cobolt算(suàn)法(fǎ)在CITE-seq和10x Multiome数據(jù)集上的性能都是基准算(suàn)法(fǎ)中(zhōng)最好的。只有当細(xì)胞(bāo)数较大时，scMVP在10x Multiome数據(jù)集上的性能优于Cobolt。技術(shù)影响去除任务中(zhōng)，SCALEX在CITE-seq数據(jù)集上表(biǎo)现出的最佳性能，而(ér)scMVP在10x Multiome数據(jù)集上表(biǎo)现出最佳性能。

总结

在本章中(zhōng)，作者总结了多种类型的多組(zǔ)学单細(xì)胞(bāo)測(cè)序技術(shù)及生(shēng)物信息学整合算(suàn)法(fǎ)的最新进展(zhǎn)。随着实验数據(jù)质量(liàng)和生(shēng)物信息学算(suàn)法(fǎ)性能的提(tí)升，单細(xì)胞(bāo)多組(zǔ)学技術(shù)将在单細(xì)胞(bāo)水平上为不同(tóng)研究提(tí)供更全麪(miàn)的多組(zǔ)学见解。扩大单細(xì)胞(bāo)多組(zǔ)学技術(shù)的生(shēng)物应用，提(tí)高单細(xì)胞(bāo)多組(zǔ)学算(suàn)法(fǎ)的性能，都将加速生(shēng)物和医学研究的新發(fā)现。这些改进具有重大的潜力，将徹(chè)底改变我们对細(xì)胞(bāo)进程的理解和个性化医疗的發(fā)展(zhǎn)。

参考文(wén)献：

Sun F, Li H, Sun D, et al. Single-cell omics: experimental workflow, data analyses and applications. Sci China Life Sci. 2025;68(1):5-102. doi:10.1007/s11427-023-2561-0