单细胞 Multiome

快速概览

Multiome 的价值不在于多测了一种模态，而在于同一细胞内可直接观测调控-表达关联。本页讲清 RNA+ATAC、RNA+Protein 等技术的测量原理，以及 WNN 与 MultiVI 两条整合路线的取舍。

与分别测量后整合的本质区别：天然共享细胞索引、真正的单细胞分辨率，无需计算匹配对齐
两条主流整合路线：Seurat WNN（各模态独立降维 → 联合最近邻图 → 自动学习模态权重）与 MultiVI 深度生成模型（可处理缺失模态并给出不确定性估计）
核心难点是模态异步与噪声差异：ATAC 比 RNA 更稀疏（~95% 零值），且染色质开放往往先于转录激活

问题定义

什么是单细胞 Multiome

单细胞 Multiome 指在同一细胞层面同时测量两种或多种分子模态的技术，它与分别测量后再整合有本质区别：

维度	单细胞 Multiome	分别测量后整合
细胞对应	天然共享细胞索引	需要计算匹配或对齐
数据质量	同一细胞的同步测量	可能存在批次差异
分析粒度	真正的单细胞分辨率	可能是伪 bulk 或估算
技术平台	10x Genomics Multiome 等	独立实验平台

主要技术类型

| 技术名称 | 测量模态 | 应用场景 | |---------|---------|---------| | 10x Multiome | RNA + ATAC | 基因表达与染色质可及性联合分析 | | CITE-seq | RNA + Protein | 表面蛋白与基因表达联合分析 | | REAP-seq | RNA + Protein | 类似 CITE-seq 的替代方案 | | SHARE-seq | RNA + ATAC | 基于分液的低成本方案 | | SCOPE-seq | RNA + DNA | 单细胞基因表达与拷贝数 |

生物学价值

单细胞 Multiome 能够回答传统单模态无法回答的问题：

调控-表达关联

在同一细胞中直接观察调控元件（enhancer/promoter）与目标基因表达的关联：

\text{Cor}(\text{ATAC}_{\text{enhancer}}, \text{RNA}_{\text{target}}) \text{ at single-cell level}

细胞状态的多维刻画

同时从转录组和表观组定义细胞状态，提高分型的稳健性。

发育轨迹的连续追踪

观察细胞状态转换过程中，转录变化与染色质开放性的先后顺序。

技术原理

10x Genomics Multiome 工作流程

细胞核分离：提取细胞核（因 ATAC 需要开放染色质）
转座酶处理：Tn5 转座酶切割开放染色质区域并添加测序接头
凝胶珠包被：细胞核与凝胶珠（Gel Bead）结合
分区与 barcoding：在微流控芯片中分区，添加细胞条形码
文库构建：分别构建 RNA-seq 和 ATAC-seq 文库

数据特征

| 模态 | 数据类型 | 稀疏度 | 典型特征数 | |-----|---------|-------|-----------| | RNA | 计数（UMI） | 高（~90% 零值） | 20,000-30,000 基因 | | ATAC | 二值（peak） | 极高（~95% 零值） | 100,000-200,000 peaks | | Protein | 计数（ADT） | 中等 | 100-200 抗体靶点 |

分析框架

预处理策略

RNA 模态：

QC：过滤低质量细胞、双细胞
标准化：log1p、CPM
特征选择：高变异基因

ATAC 模态：

Peak 注释：与基因关联
降维：LSI（Latent Semantic Indexing）
TF motif 富集：chromVAR

整合策略

策略 1：早期整合（Weighted Nearest Neighbor）

Seurat 的 WNN 方法：

各模态独立降维
构建联合最近邻图
计算模态权重（RNA vs ATAC 贡献）
统一聚类与可视化

策略 2：深度生成模型

MultiVI 架构：

编码器：分别编码 RNA 和 ATAC
联合潜在空间： $z \sim q(z | \text{RNA}, \text{ATAC})$
解码器：分别重建 RNA 和 ATAC
优势：可处理缺失模态，提供不确定性估计

下游分析

| 分析任务 | 方法 | 输出 | |---------|------|------| | 调控元件-基因关联 | SCENT、Cicero | eQTL-like 关联 | | TF 活性推断 | chromVAR、SCENIC+ | TF 活性得分 | | 轨迹推断 | 联合 RNA + ATAC 的伪时间 | 分化路径 | | 细胞通讯 | 整合表面蛋白（CITE-seq） | 配体-受体对活性 |

分析难点

| 难点 | 具体表现 | 应对策略 | |-----|---------|---------| | 噪声分布差异 | RNA（泊松/负二项）vs ATAC（二值） | 分别建模或使用深度生成模型 | | 稀疏度差异 | ATAC 比 RNA 更稀疏 | 特征选择、平滑处理、peak 聚合 | | 模态异步 | 转录变化可能滞后于调控变化 | 时间序列分析、lag correlation | | 权重设置 | 模态贡献度平衡 | WNN 权重自动学习、人工调参 |

工具推荐

| 用途 | 推荐工具 | 特点 | |-----|---------|------| | 预处理 | Cell Ranger ARC | 10x 官方流程 | | 整合分析 | Seurat v4+ | WNN、统一可视化 | | 深度模型 | scVI-tools、MultiVI | 不确定性估计 | | 调控分析 | Signac、SCENIC+ | ATAC 专用工具 | | TF 活性 | chromVAR、MAESTRO | motif 富集分析 |