博文

MIA：基于张量表示学习的多组学集成聚类和特征发现

已有 703 次阅读 2026-9-27 10:07 |个人分类:科普|系统分类:科普集锦

MIA：基于张量表示学习的多组学集成聚类和特征发现

在高通量测序技术的支持下，来自多个组学层面（例如基因组学、转录组学、蛋白质组学和表观基因组学）的数据已以指数速率和规模生成。多组学数据的综合分析可以从其潜在关系中捕获补充信息，因此对于阐明复杂的分子机制和生物过程具有巨大的希望。特别是在精准医学的背景下，通过精确的样本聚类和准确识别特征基因作为潜在的分子生物标志物。在机器学习和人工智能中，特征是数据集的个体特征，信息性和判别性特征的选择对于有效的样本聚类至关重要。因此，在生物医学研究中，特征基因反映了特定的生物过程，一组特征基因被定义为对聚类有显著贡献的基因。因此，多组学综合分析代表了一种强大的方法，可以从不同的组学数据中系统地描述特征基因，从而能够全面了解复杂的生理病理过程和机制。

在过去的几年中，已经开发了多种用于多组学数据整合分析的算法，根据数据整合策略，这些算法大致分为两类：相似性网络和共识因子。对于前者，代表性算法包括SNF、PINS、NEMO和MANAclust。他们计算不同组学类型之间的样本相似性和融合网络，但对数据扰动、异常值和噪声很敏感，这会降低鲁棒性并增加计算复杂性。对于后者，代表性算法是 MOFA、iClusterPlus和 intNMF。他们在多组学类型中得出共享的潜在因素，但通常依赖于特定的统计假设，这些假设可能不适用于不同的生物数据集，从而使它们容易受到模型错误指定和噪声的影响。重要的是，这两种策略都将多组学数据转换为二维表示，这可能会限制跨分子层复杂关系的保存，并限制互补信息的联合表征。在这些现有算法中，只有SNF、MANAclust和iClusterPlus能够进行特征基因识别和聚类。然而，这三种算法在每个组学层内独立识别特征基因，而不是跨个多组学层联合识别特征基因。

克服这些限制的一个有前途的策略是基于张量的表示学习，它提供了一个强大的框架来有效捕获多组学数据中固有的高维特征。具体来说，基于张量的表示学习允许将多组学数据表示为多维数组，从而能够同时封装样本、基因和组学类型，而无需任何事先假设。此外，张量框架在处理生物医学数据的高维异质性、灵活适应从数十到数千的可变样本大小以及适应每个组学类型超过 10,000 个特征的超高特征维度方面表现出独特的优势，样本分类、生存预测和基因相互作用预测中的成功应用证明了这一点。尽管有这些进步，基于张量的表示学习尚未应用于多组学聚类和特征发现。

为此，Zhang等人提出 MIA（图1，https://ngdc.cncb.ac.cn/biocode/tool/BT008143），一种基于张量的表示学习算法，用于集成多组学聚类和特征发现。与依赖二维数据表示的现有算法不同，MIA 通过将多组学数据建模为三维张量并通过张量分解学习紧凑表示来保留多组学数据的多维结构。它还使用模糊 C 均值 (FCM) 进行聚类，以准确捕获样本相似性，同时最大限度地减少初始聚类中心的影响。对于特征基因识别，为张量表示开发了一种新的增强型随机森林模型（ERFM），使得能够跨多组学层联合评估特征贡献，而不是在每个组学层内独立评估。为了评估 MIA 的功效，作者们使用模拟和经验数据集进行了广泛的比较分析，并将其应用于胶质母细胞瘤 (GBM) 亚型和特征基因识别。对多种 TCGA 癌症类型的应用进一步显示了其对样本进行分层并识别与临床相关结果相关的分子特征的能力。具体而言，在胶质母细胞瘤中，MIA 揭示了三种先前未表征的具有不同预后特征的亚型，并揭示了与亚型身份密切相关的特征基因。这些基因进一步与治疗反应相关，并在单细胞分辨率下对主要胶质母细胞瘤细胞群体保持区分能力。总的来说，将 MIA 确立为多组学综合分析的通用计算框架，从而能够跨不同的生物系统进行系统的分子分层和可解释的特征发现。

图1 MIA 框架示意图。(a) 将各种类型的组学数据整合成一个包含样本、基因和组学类型的三维张量。 (b)使用Tucker分解将张量分解为三个二维因子矩阵：样本-特征矩阵、基因-特征矩阵和类型-特征矩阵。随后，FCM聚类应用于样本特征矩阵。(c)基于张量和样本标签或聚类结果进行特征基因识别。经过基尼指数的基因过滤后，应用针对三维张量设计的ERFM来量化每个基因在聚类中的贡献，从而产生一组特征基因

参考文献

[1] Yang Zhang, Lin Liu, Zhaoqi Liu, Qi Liu, Lina Ma, Zhang Zhang. Tensor-based representation learning for multi-omics integrative clustering and feature discovery. bioRxiv 2025.11.28.691099; doi: https://doi.org/10.64898/2025.11.28.691099

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC