山东大学团队提出基于异构图 Transformer 的单细胞生物网络推理

单细胞多组学 (scMulti-omics) 技术允许同时量化多种模态，以捕捉复杂分子机制和细胞异质性的复杂性。现有工具无法有效地推断出不同细胞类型中 active 生物网络以及这些网络对外部刺激的反应。

在此，来自山东大学参与的多机构研究团队，开发了基于深度学习的单细胞数据多组学分析平台：DeepMAPS，用于从 scMulti-omics 进行生物网络推理。DeepMAPS 在异构图中对 scMulti-omics 进行建模，并使用多头图（multi-head graph）Transformer 以稳健的方式学习局部和全局上下文中的细胞和基因之间的关系。

通过构建包含细胞和基因的异构图，DeepMAPS 可以同时识别它们的联合嵌入，并能够在完整框架中推断特定于细胞类型的生物网络以及细胞类型。此外，异构图 Transformer 的应用以可解释的统一多关系对细胞-基因关系进行建模。通过这种方式，可以大大缩短图中的训练和学习过程，以考虑更远距离的细胞影响。

该研究以「Single-cell biological network inference using a heterogeneous graph transformer」为题，于 2023 年 2 月 21 日发布在《Nature Communications》 上。

论文链接：https://www.nature.com/articles/s41467-023-36559-0#Sec9

在这项工作中，研究人员开发了 DeepMAPS，这是一个用于从 scMulti-omics 数据推断细胞类型特定生物网络的异构图 Transformer 框架。该框架采用了一种先进的 GNN 模型，即异构图 Transformer (Heterogeneous Graph Transformer，HGT)，具有以下优点：

（1）它制定了一个以细胞和基因为节点，以它们之间的关系为边的一体化异构图。

（2）该模型捕获细胞和基因之间的相邻和全局拓扑特征，同时构建细胞-细胞关系和基因-基因关系。

（3）HGT 模型中的注意机制能够估计基因对特定细胞的重要性，可用于区分基因贡献，增强生物学解释性。

（4）该模型无假设，不依赖于基因共表达的约束，因此可能推断出其他工具通常无法发现的基因调控关系。

图示：DeepMAPS 和 HGT 插图的工作流程。（来源：论文）

内容中包含的图片若涉及版权问题，请及时与我们联系删除