IF36.1｜单细胞多组学整合方法多任务基准评测

40种整合方法、7大任务、86个数据集，系统回答“该用哪个工具”。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

单细胞多组学技术可同时测量同一细胞内的RNA、蛋白（ADT）和染色质可及性（ATAC）等多种模态，为解析细胞身份和疾病机制提供了前所未有的分辨率。然而，不同技术产生的数据模态组合多样，且常伴随多个批次，使得数据整合成为下游分析的关键步骤。近年来，针对不同整合场景的计算方法大量涌现，但缺乏统一的分类和系统评估，用户难以根据自身数据特点选择合适工具。

科学问题

卡在哪里： 已有少数研究比较了部分整合方法，但多局限于特定癌症或特定模态组合，未覆盖垂直、对角、镶嵌和交叉四大整合类别，也未在同一框架下评估降维、批次校正、聚类、分类、特征选择、插补和空间配准等七项任务。方法性能与数据模态、批次结构及任务类型的关系尚不清楚。

本文要回答： 系统分类并全面基准评测当前单细胞多模态组学整合方法，为不同数据场景和任务提供方法选择指南。

技术路线

作者主要用了：单细胞多组学、整合算法、基准评测、多任务评估。

作者首先根据输入数据结构和模态组合，将整合方法分为垂直、对角、镶嵌和交叉四类，并定义了降维、批次校正、聚类、分类、特征选择、插补和空间配准七项任务。随后收集64个真实数据集和22个模拟数据集，对40种方法进行统一预处理和评估。每项任务使用专门设计的评价指标组合，并考虑了计算时间和内存消耗。最后通过排名汇总和稳健性分析，生成方法推荐指南。

图 1　Fig. 1。图1展示了单细胞多组学整合的分类框架：a显示不同技术产生的模态组合；b定义垂直、对角、镶嵌和交叉四类整合；c列出七项常见任务；d给出每项任务的评估指标；e汇总40种方法及其适用类别、任务和模态。该图是全文的方法论总览，帮助读者理解后续基准评测的设计逻辑。

核心亮点

亮点 1｜垂直整合：Seurat WNN与Multigrate表现突出

在RNA+ADT、RNA+ATAC及三模态数据上，Seurat WNN、Multigrate、Matilda和UnitedNet总体表现较好，但方法性能受数据集和模态组合影响明显。例如，在RNA+ADT数据上，Seurat WNN、sciPENN和Multigrate在代表性数据集D7上有效保留细胞类型生物学变异；而moETM在不同指标下排名差异较大。模拟数据上表现好的方法（如scMM）在真实数据上不一定好，提示模拟数据可能缺乏真实数据的潜在结构。

图 2　Fig. 2。图2以RNA+ADT数据集D7为例，展示垂直整合方法的UMAP可视化（a）和性能量化（b）。Seurat WNN、sciPENN和Multigrate在保留细胞类型结构上表现较好。c-e汇总了所有RNA+ADT、RNA+ATAC和RNA+ADT+ATAC数据集上的方法排名，显示方法性能受模态组合影响。

亮点 2｜对角整合：scBridge降维聚类最优，GLUE批次校正领先

在单批次RNA和ATAC数据上，scBridge在降维和聚类指标上排名第一，GLUE在批次校正指标上表现最佳，但两者存在权衡：scBridge批次校正能力中等，GLUE降维聚类表现一般。在多批次RNA和ATAC数据上，scJoint在降维和聚类中排名最高，GLUE次之且批次校正强。分类性能主要取决于整合质量而非分类器选择，简单MLP分类器与专用分类器效果相当。

图 3　Fig. 3。图3展示对角整合方法在单批次RNA和ATAC数据集D27上的结果。a为UMAP可视化，b为各指标得分。scBridge在降维和聚类上领先，GLUE在批次校正上最优。c-d汇总所有单批次和多批次数据集排名，揭示降维聚类与批次校正之间的权衡。

亮点 3｜镶嵌整合：StabMap灵活高效，MultiVI与Cobolt专精

在镶嵌数据（如RNA、ATAC、RNA+ATAC混合批次）上，StabMap在降维、聚类和分类任务中表现优异，且计算效率高；scMoMaT和Multigrate在批次校正方面表现强劲。对于RNA+ATAC+ATAC类型数据，MultiVI和Cobolt因其专门设计而稳定领先。然而，镶嵌整合方法数量较少且灵活性受限，许多方法对共享特征或桥接模态有严格要求，限制了其应用范围。

图 4　Fig. 4。图4展示镶嵌整合方法在数据集D45（RNA、ATAC、RNA+ATAC三批次）上的表现。a为UMAP可视化，b为量化结果。StabMap在降维、聚类和分类中表现突出，scMoMaT和Multigrate在批次校正上较强。c-f汇总不同模态组合下的方法排名，显示方法适用性受限。

亮点 4｜插补与特征选择：结构相似性不等于下游性能

在插补任务中，sciPENN插补的数据在聚类和分类指标上表现最佳，但结构相似性最低；scMM结构相似性高但下游性能差。totalVI和StabMap插补的ADT数据在聚类分类和结构相似性上均表现良好。特征选择方面，Matilda和scMoMaT能选择细胞类型特异性标记，但可重复性不如MOFA+；MOFA+选择的标记可重复性高但缺乏细胞类型特异性。ATAC模态选出的标记在下游评估中通常不如RNA和ADT。

图 5　Fig. 5。图5展示交叉整合方法在数据集D52（多批次RNA+ADT）上的结果。a为UMAP可视化，b为指标得分。totalVI在RNA+ADT数据上表现全面，Multigrate在其他模态组合中表现稳健。c-f汇总所有交叉整合数据集排名，显示批次校正指标与其他指标排名不一致。

亮点 5｜空间配准：PASTE中心对齐稳健，SPIRAL非线性变换受限

在空间转录组数据配准中，PASTE中心对齐在所有数据集上表现一致且稳健，PASTE2也具竞争力。SPIRAL和GPSA采用非线性变换，在空间相干性得分（SCS）上表现较差，但SPIRAL在标签转移ARI和成对对齐准确率上表现良好。SCS指标对仅使用线性变换的方法给出相同分数，无法区分其相对性能，提示需要结合多种指标评估空间配准方法。

亮点 6｜计算效率与稳健性：StabMap高效，部分方法内存消耗大

计算效率评估显示，UINMF在垂直整合中时间和内存效率均高；StabMap在镶嵌和交叉整合中均表现出高效。MultiVI在镶嵌整合中计算时间显著增加，scMoMaT内存消耗大；Concerto和scMDC在交叉整合中运行时间最长。MOFA+和Multigrate在部分数据集上内存溢出。稳健性分析表明，大多数方法对数据扰动稳定，但Matilda和UINMF在垂直整合中排名波动较大，MOFA+在特征选择中可重复性最高。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 单细胞多组学、整合算法、基准评测、多任务评估
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事单细胞多组学数据分析、需要选择整合工具的生物信息学研究人员和计算方法开发者。

带走一句

没有万能方法：选择整合工具需同时考虑数据模态组合、批次结构和目标任务，并参考多指标综合排名。