Achievements & Competitions
数据科学与分析学域博士生在《Nature Communications》 发表单细胞跨模态学习研究成果
日期:  2026年11月10日
浏览:  1

 从"猜你喜欢"到"读懂细胞":推荐系统打开单细胞组学分析新视角         

近日,香港科技大学(广州)信息枢纽数据科学与分析学域张永祺助理教授团队与军事医学研究院李昊副研究员团队在《Nature Communications》发表题为Recommendation System-Inspired Learning of Crossmodal Interaction Patterns between Chromatin Accessibility and Gene Expression的研究论文,提出推荐系统启发的单细胞跨模态学习框架CrossRec。该研究结合生物学知识与图学习,从有限数据中学习开放DNA区域与基因表达之间的潜在调控联系,为单细胞多组学分析提供了新的计算方法。    

数据科学与分析学域2025级博士生王潇棠为论文共同第一作者并署名第一,福州大学林璇威为另一位共同第一作者;DSA学域张永祺助理教授与军事医学研究院李昊副研究员为共同通讯作者。    图片

 

推荐系统为你推荐视频和音乐,与分析细胞中的基因表达,看似相隔甚远,却面临相似的数据科学难题:观测不完整,关系高度复杂,模型还必须应对从未见过的新情境。

推荐系统从有限的点击和购买记录中,学习用户与物品之间的潜在联系。在单细胞研究中,研究人员希望回答:哪些 DNA 区域与哪些基因的表达相联系?这些联系如何随细胞状态改变?当实验数据稀缺时,AI 能否学到有用的规律?    

01 动机:推荐系统启发的单细胞交互建模

细胞如何使用自己的遗传信息,取决于复杂的调控过程。染色质可及性(图中记为ATAC)反映了哪些DNA区域更容易被调控分子接触,基因表达(图中记为RNA)则反映了哪些基因正在被转录。将两类信息联系起来,有助于理解细胞的类型与功能、发育过程与疾病状态。    

然而,单细胞分析也面临挑战:需要测量的基因和DNA区域数量多,实际检测到的信号却十分稀疏;能够在同一细胞中同时获得多类测量的配对样本也十分宝贵。即使观察到某个DNA区域开放、某个基因活跃,两者之间是否存在调控联系,仍需要进一步分析。    

这恰好与推荐系统长期面对的问题形成了有趣的呼应。面对不完整的交互记录,推荐系统可以结合用户画像、物品属性和关系结构,学习潜在偏好。CrossRec将这一思路引入单细胞分析:把每个细胞表示为一张交互图,将其中表达的基因与开放的DNA区域作为节点,并为它们加入染色体位置、DNA序列和统计特征等生物学属性(图1)。    图片

      推荐系统启发的 CrossRec 学习框架。    

由此,单细胞分析获得了一个新的建模视角:让AI在丰富的生物学信息支持下,直接学习具体DNA区域与具体基因之间的跨模态联系。    

02 方法:生物学知识驱动的跨模态关系学习

如何利用这张交互图进行预测并提供生物学线索,是CrossRec的关键设计问题。研究团队构建了生物学驱动的二部图Transformer,在DNA区域和基因两类节点之间学习跨模态注意力,衡量不同区域—基因联系的重要程度。模型结合已有的生物学知识建立初始图结构,再通过方向性注意力、筛选重要联系的稀疏化策略,以及匹配与信号预测任务的共同监督,学习具有信息量的候选联系。    

其中,丰富的节点属性为模型提供了超出单次测量的信息。一个基因位于哪里、一个DNA区域具有怎样的序列特征,都可以参与关系学习。对于观测次数较少的基因和区域,这些属性尤其有助于补充有限的训练信号。    

在同一框架下,CrossRec支持三类核心任务:    

01          跨模态匹配          判断两份不同模态的测量数据是否来自同一个细胞。          
02          跨模态翻译          根据一种模态的测量数据,预测另一种模态的信号。          
03          跨模态整合          融合互补信息,形成用于后续分析的统一细胞特征表示。          

与此同时,模型学习得到的注意力结构可以进一步整理为细胞及细胞类型层面的候选调控图谱,为研究者检查具体的区域—基因联系提供依据。预测任务与关系学习由此相互连接:模型在完成跨模态分析的同时,也生成了可以继续研究的生物学线索。    

03 核心结果

结果一 · 有限样本学习与跨数据集泛化    

对于生命科学中的 AI,数据效率是一项直接影响实际可用性的能力:高质量实验观测来之不易,模型需要充分利用每一个样本。CrossRec 在这方面给出了一个直观的结果:在 10×PBMC 数据集的跨模态匹配实验中,CrossRec 仅使用300个训练细胞,其匹配准确率就高于实验中使用6000个细胞训练的全部 VAE(变分自编码器)类基线模型。在这一具体实验中,CrossRec 使用的训练细胞数量仅为这些对比模型的 1/20,体现了生物学属性与交互结构对有限样本学习的价值(图2)。    图片

图2 CrossRec 在不同训练样本规模下的跨模态匹配表现

研究团队进一步考察了模型能否适应新的数据环境。在以ISSAAC-seq为目标数据集的跨数据集实验中,CrossRec在其他三个数据集上联合训练后,无需在目标数据集上微调,跨模态匹配准确率达到约80%。在另一组面向训练阶段未见细胞类型的实验中,模型同样展现了较好的迁移表现。    

整体而言,研究围绕六个公开基准数据集开展了多种跨模态任务评估,并将框架从染色质可及性—基因表达扩展到基因表达—蛋白质数据。在 CITE-seq 的跨模态整合评估中,CrossRec 在六项指标中有五项排名第一。    

这些实验共同回应了两个与人工智能辅助科学研究密切相关的问题:如何从有限数据中有效学习,以及学到的关系能否用于新的情境。    

结果二 · 数据驱动的调控先验与知识迁移    

CrossRec的另一个亮点,是它能够输出可供其他方法使用的关系结构。    图片

图3 CrossRec 学习得到的候选调控关系可作为先验,帮助其他模型学习

研究团队将CrossRec学习得到的DNA区域—基因交互图,转化为数据驱动的调控先验,即可供其他模型参考的候选关系信息,并引入GLUE、scMoGNN等现有方法。实验显示,这些关系信息能够改善原有模型的表现,在配对训练数据稀缺时尤其有帮助(图3)。这表明,一个模型从数据中学到的关系结构,可以继续帮助其他模型学习。    

这为AI for Science提供了一条具体路径:生物学知识参与模型构建,模型从实验观测中提炼候选关系,这些关系再以结构化形式服务于后续分析。对于数据科学而言,这意味着模型的产出可以包括预测结果、细胞表示,以及能够被检查、比较和复用的交互知识。    

结果三 · 动态调控关系分析与生物学应用    图片图片

图4 CrossRec对动态调控关系的分析:大脑皮层神经发生(上)与黑色素瘤耐药相关的药物响应(下)

在大脑皮层神经发生研究中,CrossRec分析了祖细胞向神经元转变过程中具体DNA区域与基因之间的候选调控联系及其变化。模型识别出五类动态调控模式,例如部分联系逐步减弱、另一些联系逐步增强,以及同一基因所关联的关键DNA区域发生切换,为理解发育过程中的基因调控变化提供了更细粒度的线索(图4上)。    

在黑色素瘤耐药研究中,团队进一步分析了公开的药物处理与基因扰动数据。结果显示,对于所考察的每个耐药相关基因,不同耐药相关扰动下的关键调控变化,常集中于该基因对应的同一候选 DNA 区域。这为分析不同扰动如何产生相近的药物响应提供了线索(图4下)。这些模型推断的候选联系,可用于筛选后续实验的验证对象,具体因果关系仍需进一步实验确认。    

04 总结与展望

CrossRec 展示了人工智能与生命科学交叉的一种可能:当不同领域的问题具有相近的数据结构,已有的算法思想可以通过针对性的模型设计,成为探索新问题的工具。    

推荐系统擅长从稀疏观测中学习潜在联系;单细胞研究需要在有限实验数据中识别复杂的跨模态关系。CrossRec 将两者连接起来,以图学习融合生物学属性,以跨模态任务检验预测能力,再将学到的结构用于知识迁移和生物学分析。    

未来,随着更丰富的基因功能注释、调控元件信息和多组学观测被纳入,这类框架有望进一步拓展研究者能够提出和检验的问题。从有限观测中提炼关系,让关系成为可迁移的知识,再用这些知识指向下一步实验——CrossRec为AI参与科学发现提供了一个具体范例。    

论文信息

论文题目:Recommendation System-Inspired Learning of Crossmodal Interaction Patterns between Chromatin Accessibility and Gene Expression          论文链接          https://www.nature.com/articles/s41467-026-78646-y

作者团队

共同第一作者 · 第一署名作者          
王潇棠:香港科技大学(广州)数据科学与分析学域2025级博士研究生,导师为张永祺助理教授。本科与硕士分别毕业于电子科技大学和华中科技大学,研究兴趣包括大语言模型、图神经网络及其在生命科学和具身智能领域的应用。已在 Nature Communications、Information Fusion、NeurIPS、ICLR、KDD 等国际期刊和会议发表论文十余篇。          
共同通讯作者          
张永祺助理教授与 KiMI Lab          
张永祺:香港科技大学(广州)数据科学与分析学域助理教授、博士生导师,KiMI Lab (Knowledge-integrated Machine Intelligence Lab) 负责人。团队围绕知识增强的机器智能开展研究,关注多模态内容理解与生成、高效大模型架构设计,以及人工智能在生命科学、材料和工程等领域的应用,致力于提升智能系统的可靠性与效率。课题组主页:https://yzhangee.github.io/group/          
共同通讯作者 · 军事医学研究院          
李昊:军事医学研究院副研究员、硕士生导师,聚焦多组学、可解释AI虚拟细胞技术研究。在Nature Machine Intelligence、Information Fusion、Nature Communications、Genome Biology等期刊发表学术论文20余篇。        
微信
小红书
facebook
linkedin
youtube