热烈祝贺本组的科研论文被SCI期刊PLOS Computational Biology（领域顶刊, JCR Q1/中科院2区）录用（图）
近日，本人以第一作者身份投稿至 PLOS Computational Biology 的文章正式发表，论文题目为 scGSI: Graph-guided self-supervised integration of paired single-cell multi-omics。湖南科技大学为第一完成单位，论文作者为 Xiang Chen、Zihan Yang、Xiaoyu Liu、Zhiyi Xie、Wenlu Guo。24 级硕士研究生杨子涵参与方法设计、实验与论文撰写，24 级硕士研究生刘小宇、25 级硕士研究生谢芷翼与郭文禄参与验证与修订。
论文现已在线发表，DOI：10.1371/journal.pcbi.1014773。
PLOS Computational Biology 是计算生物学与生物信息学领域的重要开放获取期刊，由 Public Library of Science 出版，被 SCI 收录，属领域顶刊（JCR Q1/中科院2区）。该刊聚焦计算方法与生物学问题的深度结合，发表高质量的算法、模型与应用研究，在单细胞组学与系统生物学方向具有广泛影响力。
配对单细胞多组学技术可在同一细胞内同时刻画基因表达、染色质可及性等多分子层信息，为解析细胞异质性与调控关系提供了直接对应关系。然而，有效整合并非简单的模态混合：模型既要准确对齐配对细胞，又要保留模态特异的拓扑结构与有生物学意义的变异。现有方法常面临跨模态拓扑不一致、配对互补信息利用不足，或在提升对齐质量时牺牲生物学保真度等问题。
针对上述挑战，本文提出 scGSI：一种面向配对单细胞多组学整合的图引导自监督框架。方法遵循三条设计原则——在强对齐前先保留模态特异结构、以配对对应关系引导跨模态信息交换、用约束优化避免对齐抹除生物学变异——并包含四个阶段：（1）生物学先验桥接与图构建：将非 RNA 模态映射到可比特征空间，同时保留各模态局部拓扑；（2）模态特异图编码：以异构图编码器分别提取适配各模态统计特性的潜在表示；（3）渐进式跨模态对齐：先经 pull-in 投影稳定预对齐，再通过跨模态融合机制交换互补信号；（4）自监督结构保持优化：结合重建与对比学习，在提升配对对齐的同时维持生物学结构。
在来自 10x Multiome、CITE-seq、SNARE-seq、TEA-seq 等四个平台的五个配对数据集上，scGSI 在改善配对细胞状态对齐的同时，较好地平衡了模态混合与生物学变异保留；所得嵌入更有利于细胞类型判别与发育轨迹推断，表明准确对齐不必以抹除有意义的生物学结构为代价。
图1: scGSI 方法的整体框架（来源：PLOS Computational Biology，CC BY 4.0）
感谢国家自然科学基金（No.62202162）的资助，并感谢中南大学陈思琪博士的讨论。本组将继续在单细胞多组学与 AI4Science 方向深耕，欢迎有志于相关研究的同学加入。
相关链接
CC BY-NC-SA 4.0
本文由 Xiang CHEN 陈向 创作，采用 CC BY-NC-SA 4.0 协议，首发于 https://chenxofhit.xyz 个人网站。
您可以自由地：
- 分享 — 在任何媒介以任何形式复制、发行本作品
- 演绎 — 修改、转换或以本作品为基础进行创作
惟须遵守下列条件：
- 署名 — 您必须给出适当的署名，提供指向本许可协议的链接，同时标明是否（对原始作品）作了修改。您可以用任何合理的方式来署名，但是不得以任何方式暗示许可人为您或您的使用背书。
- 非商业性使用 — 您不得将本作品用于商业目的。
- 相同方式共享 — 如果您再混合、转换或者基于本作品进行创作，您必须基于与原先许可协议相同的许可协议分发您贡献的作品。
商业使用请联系：[email protected]