最优传输揭示单细胞多组学中的未解析细胞

内容形式：摘要译文

单细胞多组学方法将不同模态中的细胞进行匹配，将其整合到同一嵌入空间，并在不同模态间转移标签。这三个步骤均依赖于两种模态中细胞之间的匹配，但这种匹配通常隐含在各工具内部，其误差也难以察觉，而且所有细胞看起来都具有同等的确定性。在本研究中，我们将匹配显式化。针对每一对数据集，我们利用最优传输构建软耦合矩阵，并将其用于三项超越匹配估计本身的任务：评估每个细胞匹配的不确定性；无需重新训练，即可改进现有的整合与标签转移工具；以及判定哪些细胞应暂不纳入分析。我们对涵盖六种模态组合的 78 对数据集进行了评估，并以随机移除等量细胞作为对照，测试了十种整合工具和十种标签转移工具。我们开发了一种集成耦合方法，在真实细胞对的恢复准确性方面表现最佳。将耦合矩阵反馈至各工具后，标签转移效果明显改善，而整合效果仅在模态混合程度方面有所提升。作为群体投票边际计算所得的歧义评分，在两项任务中均带来了更大且更稳定的增益。几乎在所有数据集中，被标记为匹配存在歧义的细胞，其匹配效果都较差；移除这些细胞，在 98% 的整合测试和 91% 的标签转移比较中，均优于随机移除。这些难以整合的细胞主要来自稀有、处于过渡状态及测量质量较差的细胞群。因此，将细胞间对应关系显式化，为区分可靠与不确定的跨模态结果提供了一种实用方法，同时也能标记出可能在发育和疾病过程中发挥重要作用的细胞。

关键词：最优传输 · 单细胞多组学 · 数据整合 · 标签转移 · 匹配不确定性

原文链接：https://www.biorxiv.org/content/10.64898/2026.10.15.759426v1?rss=1