DRUGONE
近年来,单细胞测序技术快速发展,使研究人员能够在单细胞分辨率下同时测量转录组、染色质开放性、蛋白表达等多种分子信息,为构建跨组织、跨疾病、跨模态的单细胞图谱提供了基础。然而,现有单细胞图谱通常采用离线整合方式,每当新的数据产生时,都需要重新整合全部历史数据,不仅计算成本随数据规模快速增长,而且难以满足持续更新生物图谱的需求。此外,新数据往往来自不同测序平台、不同组织甚至不同组学组合,传统方法容易出现灾难性遗忘,无法同时保持已有知识和学习新的生物学信息。
针对这一问题,研究人员提出了MIRACLE(Multimodal Integration with Continual Learning),一种基于持续学习的单细胞多模态持续整合框架。该方法以多模态变分自编码器MIDAS为基础,引入动态网络结构扩展和数据回放机制,使模型能够不断整合新增数据,同时保留已有知识。为了进一步降低内存消耗,研究人员设计了分布保持蓄水池采样策略,通过球树采样算法在有限存储空间内最大程度保留数据分布,实现高效的数据回放。
大量实验表明,MIRACLE能够在保持与传统离线方法相当整合精度的同时,大幅降