scVI与MultiVI

最新推荐文章于 2024-08-14 22:29:49 发布

tzc_fly

最新推荐文章于 2024-08-14 22:29:49 发布

阅读量1k

点赞数 23

分类专栏：单细胞多组学分析文章标签：人工智能

本文链接：https://blog.csdn.net/qq_40943760/article/details/135481422

版权

单细胞多组学分析专栏收录该内容

48 篇文章 39 订阅

订阅专栏

scVI：https://docs.scvi-tools.org/en/stable/user_guide/models/scvi.html
MultiVI：https://docs.scvi-tools.org/en/stable/user_guide/models/multivi.html

scVI

single cell variational inference提出了一个灵活的scRNA-seq数据生成模型。scVI功能全面，可以扩展到大规模数据集（处理超过1万个细胞），局限性在于：1.需要GPU才能快速推理，2.与线性方法不同，潜在空间不可解释。

生成

scVI将包含细胞和基因的scRNA-seq基因表达矩阵 $X$ 作为输入（ $N$ 个细胞， $G$ 个基因），此外，一个设计的矩阵 $S$ 包含 $p$ 个观测协变量，比如day，donor等等，这是可选的输入。虽然 $S$ 可以包含离散协变量和连续协变量，但在下文中，我们假设它仅包含一个具有 $K$ 个类别的离散协变量，这代表了具有多批次数据的常见情况。

对于细胞 $n$ 和基因 $g$ ，scVI用下面过程生成观测的UMI计数 $x_{ng}$ （其中， $s_{n}$ 为细胞 $n$ 的batch id）： $z_{n}\sim Normal(0,I)\\ l_{n}\sim logNormal(l_{\mu}^{\top}s_{n},l_{\sigma^{2}}^{\top}s_{n})\\ \rho_{n}=f_{w}(z_{n},s_{n})\\ \pi_{ng}=f_{h}^{g}(z_{n},s_{n})\\ x_{ng}\sim ObservationModel(l_{n}\rho_{n},\theta_{g},\pi_{ng})$ 简而言之，每个基因的基因表达取决于细胞特异性的潜在变量 $z_{n}$ 。先验参数 $l_{\mu}$ 和 $l_{\sigma^{2}}$ 是根据所有细胞的对数大小在不同批次之间计算得出的均值和方差。表达数据是从一个基于计数的似然分布生成的，这里称为 $O b ser v a t i o n M o d e l$ ，默认为ZINB分布，也可以是更简单的NB分布。

生成过程使用两个神经网络： $f_{w}(z_{n},s_{n}):\mathbb{R}^{d}\times\left\{0,1\right\}^{K}\rightarrow\Delta^{G-1}\\f_{h}(z_{n},s_{n}):\mathbb{R}^{d}\times\left\{0,1\right\}^{K}\rightarrow(0,1)^{\top}$ 分别解码去噪基因表达和ZINB概率。

下表为潜在变量以及描述：

潜在变量	描述
$z_{n}\in\mathbb{R}^{d}$	细胞状态的低维表示
$\rho_{n}\in\Delta^{G-1}$	去噪的基因表达。这是一个cell内总和为1的向量
$l_{n}\in(0,∞)$	RNA 文库大小。这里它被建模为一个潜在变量，但 scVI 最近的默认设置是将文库大小视为观察到的，等于当前细胞 $n$ 的总 RNA UMI 计数
$\theta_{g}\in(0,∞)$	NB的Inverse dispersion。例如，可以通过在模型初始化期间传递`dispersion=“gene-batch”`来将其设置为特定于基因或批次

推理

scVI 使用变分推理来学习模型参数（神经网络参数、Inverse dispersion等）和具有以下分解的近似后验分布： $q_{\eta}(z_{n},l_{n}|x_{n})=q_{\eta}(z_{n}|x_{n},s_{n})q_{\eta}(l_{n}|x_{n})$ 这里 $\eta$ 是对应于推理神经网络（编码器）的一组参数。值得注意的是，默认情况下，scVI 仅接收表达数据作为输入（没有观测到的细胞水平协变量）。根据经验，通过让编码器将这些item的串联 $q_{\eta}(z_{n},l_{n}|x_{n},s_{n})$ 作为输入，我们并没有看到太大的差异。

任务

下面是scVI可以执行的任务。

降维：近似的后验 $q_{\eta}(z_{n}|x_{n},s_{n})$ 被返回获得低维表示。

transfer ：scVI可以根据参考数据进行训练，然后将细胞水平协变量（比如细胞类型注释）转移到查询数据。

基因表达的插补：scVI返回近似后验下 $\rho_{n}$ 的期望值。对于细胞 $n$ ，可以写成： $\mathbb{E}_{q_{\eta}(z_{n}|x_{n})}[f_{w}(z_{n},s_{n})]$

差异分析：scVI在估计后的插补数据上执行差异分析。

生成模拟数据：可以从 $z_{n}$ 进行采样，重新模拟生成新的细胞数据。

MultiVI

multiVI是一个多模态生成模型，能够整合多组学的scRNA-seq和scATAC-seq数据，训练后，可用于许多常见的下游任务，也可用于缺失模态的插补。
fig1

图1：其中输入数据由ATAC、RNA两种数据类型组成（或者加上蛋白质模态）。变量 $S$ 表示实验协变量，如批次或实验条件（ $S$ 是可选的输入）。每个数据模态被编码成模态无关的潜在表示，然后，这些表示被合并到一个联合潜在空间。

生成

MultiVI的输入为多模态单细胞矩阵 $X_{mult}$ ，包含 $N$ 个细胞， $G$ 个基因，以及 $M$ 个基因区域（peaks），或者仅 $X_{rna}$ （ $N$ 个细胞和 $G$ 个基因），或者仅 $X_{atac}$ （ $N$ 个细胞和 $M$ 个peaks，peaks可能是二值化的或者整数计数）。此外，一个设计的矩阵 $S$ 包含 $p$ 个观测协变量，比如day等，这是可选的输入。虽然 $S$ 可以包含离散协变量和连续协变量，但在下文中，我们假设它仅包含一个具有 $K$ 个类别的离散协变量，这代表了具有多批次数据的常见情况。

对于细胞 $n$ 和基因 $g$ 以及peaks $j$ ，MultiVI用下面过程生成观测的UMI计数 $x_{ng}$ 和 $y_{nj}$ ： $z_{n}\sim Normal(0,I)\\ l_{n}\sim logNormal(l_{\mu}^{\top}s_{n},l_{\sigma^{2}}^{\top}s_{n})\\ \rho_{n}=f_{w}(z_{n},s_{n})\\ \pi_{ng}=f_{h}^{g}(z_{n},s_{n})\\ x_{ng}\sim ObservationModel(l_{n}\rho_{n},\theta_{g},\pi_{ng})\\ p_{nj}=g_{z}^{j}(z_{n},s_{n})\\ l_{n}=f_{l}(y_{n})\\ y_{nj}\sim Bernoulli(p_{nj}\cdot l_{n}\cdot r_{j})$ 对于scRNA-seq，先验参数 $l_{\mu}$ 和 $l_{\sigma^{2}}$ 是根据所有细胞的对数大小在不同批次之间计算得出的均值和方差。表达数据是从一个基于计数的似然分布生成的，这里称为 $O b ser v a t i o n M o d e l$ ，默认为ZINB分布，也可以是更简单的NB分布。

对于scATAC-seq，检测可访问区域（ $y_{nj}>0$ ）是由伯努利随机变量生成的，该变量取决于细胞特异性潜在变量 $z_{n}$ ，该变量捕获生物异质性。另外有两个辅助的缩放因子 $l_{n}$ 和 $r_{j}$ ，分别考虑了特定于细胞和特定于region的批次效应。

MultiVI 的生成过程使用神经网络： $f_{w}(z_{n},s_{n}):\mathbb{R}^{d}\times\left\{0,1\right\}^{K}\rightarrow\Delta^{G-1}\\f_{h}(z_{n},s_{n}):\mathbb{R}^{d}\times\left\{0,1\right\}^{K}\rightarrow(0,1)^{\top}\\ g_{z}(z_{n},s_{n}):\mathbb{R}^{d}\times\left\{0,1\right\}^{K}\rightarrow[0,1]^{M}$ 分别解码去噪基因表达、非零膨胀概率（仅当使用 ZINB 时）并估计可访问区域的概率。

推理

MultiVI 使用变分推理来学习模型参数，并得到具有以下分解的近似后验分布： $q_{\eta}(z_{n},l_{n}|x_{n})=q_{\eta}(z_{n}|x_{n},y_{n},s_{n})q_{\eta}(l_{n}|x_{n})$ 其中， $z_{n}$ 被确定性地计算为变分近似 $z_{n}^{rna}$ 和 $z_{n}^{atac}$ 的两个潜在变量的平均值。这两个变量是正态的，因此 $z_{n}$ 是正态的。