热烈祝贺本组的科研论文被CCF C类国际会议ISBRA 2026接收（图）

近日，本人以第一作者身份向 2026 International Symposium on Bioinformatics Research and Applications（ISBRA 2026）投稿的论文被接收，题目为 scMMGC: A generative multi-omics integration method based on dual-mask contrastive fusion of co-expression graph。湖南科技大学为第一完成单位，24 级硕士研究生杨子涵、23级硕士研究生马永康、24级硕士研究生刘小宇参与方法设计、讨论和文章撰写。

ISBRA（International Symposium on Bioinformatics Research and Applications）是生物信息学领域的重要国际会议，录用论文由 Springer 以 LNCS/LNBI 等形式出版，被 CCF 列为 C 类国际学术会议。会议致力于推动生物信息学、计算生物学及相关交叉方向的最新成果交流，主题涵盖基因组学、系统生物学、机器学习在生命科学中的应用等。ISBRA 2026 将于中国澳门举办（会期 2026 年 7 月 22–24 日，以官网为准）。

单细胞多组学整合是刻画细胞异质性、解释分子机制的关键环节。借助 scRNA-seq、scATAC-seq 等技术，可在细胞分辨率上刻画基因表达与染色质可及性等因子间的复杂关联。然而，稀疏性、噪声与批次效应仍会阻碍模态对齐与下游分析，许多方法也未充分挖掘跨模态共表达结构或显式建模跨模态特征交互。

针对上述问题，本文提出 scMMGC：一种基于共表达图与双分支掩码自编码的生成式多组学整合方法，将 scRNA-seq 与 scATAC-seq 映射为高质量的联合细胞嵌入。方法包含三个核心模块：（1）跨模态共表达图模块：在各模态上构建 KNN 图并以并集融合为共享邻接结构，使图神经网络在一致邻域关系下同时传播 RNA 与 ATAC 特征，缓解稀疏并强化跨模态协同；（2）双掩码自编码模块：在 RNA、ATAC 两支路上独立施加高比例随机掩码，结合 GraphSAGE 编码与 MLP 解码，在单模态内实现稳健重建，并为对比学习提供互补视图；（3）跨模态融合模块：借鉴 Transformer 思想，采用双向交叉注意力，使各模态动态查询对方信息，再通过可调权重的线性融合得到统一联合表示。

训练目标由单模态损失（重建、模态内对比、掩码预测）与跨模态对比损失共同构成，在基准数据上，scMMGC 在整合对齐、标签迁移与聚类等任务上达到或优于主流方法，同时抑制批次效应并保留生物学结构；所得嵌入亦支持轨迹推断，为细胞类型注释、发育映射等多组学下游分析提供实用基础。

图1: scMMGC 方法的整体框架

感谢国家自然科学基金（No.62202162）的资助。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

• ISBRA 2026 官网
• ISBRA 会议论文集（Springer）