摘要：读特客户端·深圳新闻网2022年8月26日讯（记者 李旖露）近日，华大智造研发团队在《自然》子刊Nature Machine Intelligence（IF=25.898）上在线发表了题为“Contrastive learning enab...
读特客户端·深圳新闻网2022年8月26日讯（记者 李旖露）近日，华大智造研发团队在《自然》子刊Nature Machine Intelligence（IF=25.898）上在线发表了题为“Contrastive learning enables rapid mapping to multimodal single-cell atlas of multimillion scale”的研究成果。研究人员开发了一种基于对比学习的多模态单细胞算法工具——Concerto (协奏曲)。该算法通过自监督训练的方式，可快速对千万级无标注的单细胞多组学数据进行建模，得到的细胞表征（cell embedding）可以用于自动注释、多模态整合、聚类、跨批次整合、参考映射注释等下游应用。华大智造方面表示，Concerto在各项任务中都展现了优异的性能，进一步丰富了单细胞大数据领域的算法工具。
单细胞多组学工具在解析细胞多样性的研究中发挥着至关重要的作用，可绘制单细胞水平的多组学图谱，进而从多模态角度揭示细胞功能或状态的异质性。百万甚至千万级别的单细胞多组学大数据需要通过智能高效的计算工具助力科学发现，定义细胞类型和状态。同时，已发表的大量未经人工注释或者注释颗粒度不够精细的数据集本身也是宝贵的资源，若加以有效利用，可以帮助快速解读新产生的数据集。
据介绍，目前主流的单细胞数据分析工具可能会造成信息量丢失。此外，单细胞数据集不可避免地存在不同程度的批次效应，在数据整合的过程中需要在保留每个样本包含的细微生物学状态差异前提下完成批次效应的适度去除。随着单细胞大数据时代的到来，亟需可快速构建千万级别单细胞多模态图谱并可实现映射注释的算法。
华大智造介绍，其自主开发的Concerto算法，采用人工智能领域新兴的对比自监督学习框架并进行优化适配，以应用在海量单细胞组学数据的建模中，简而言之，即构造一个直观简洁的学习任务，让机器去对比和区分哪些样本与哪些样本相似，哪些样本与哪些样本不相似，从而学习到每个样本蕴含的高阶特征。
这就好比是试图理解世界的婴儿，即使还未建立起认知世界的知识框架，也可能会意识到，相比于“史努比”，“加菲猫”和“黑猫警长”长得更像。婴儿通过比较不同物体之间的异同，或许可以学习到这些物体最重要的特征。
相比于传统的监督学习，在自监督学习中，机器学习的标签来自于样本自身。在真实世界中，有标签或者说有高质量标签的数据集是稀缺的，通过对比学习这样的自监督训练框架，可以很好地利用大量真实世界未注释的数据集。在机器视觉领域，Google和Meta近年来相继提出多种对比自监督学习算法，包括SimCLR、 MoCo等。在ImageNet分类基准测试中，最新的自监督算法甚至能优于有监督的基线方法。正如图灵奖得主Yann LeCun所预测，自监督学习是AI的未来，它就像人一样自觉观察数据，可能使AI产生类人的推理能力。
在生物学领域，通过新兴的单细胞、时空组学工具获得的全新数据集，大大拓展了人类对于复杂生物系统的认知，这些数据还有大量未被人类标记或仅仅是依赖于已有知识进行注释。借鉴机器学习领域中不依赖标签数据的智能建模思想，以无偏的方式去利用好这些全新的单细胞数据，可以帮助科学家发现新的细胞类型、细胞状态，进而重新定义细胞类型。华大智造团队通过构造对比学习任务，让每个细胞自己跟自己“学习”，类似的细胞离得更近，不类似的细胞离得更远，从而实现对千万级别单细胞数据的快速建模。
华大智造介绍，基于其自主研发的DNBelab C4单细胞建库平台，结合GPU的使用，利用Concerto构建千万级别的单细胞参考集耗时1.5小时，注释5万个细胞仅需8秒。同时，该模型可以整合不同模态、不同批次、不同测序平台和不同单细胞建库的方法。值得一提的是，Concerto的对比学习架构可以有效支持将一个细胞的所有基因作为输入建模，避免了直接降维过程中的信息丢失，同时该优势对于跨数据集的迁移注释至关重要，可以更好地扩展跨数据集间可利用的交集基因信息。
华大智造高级副总裁倪鸣博士表示：“单细胞组学的研究已进入高通量、大数据、多模态的研究阶段，此次基于对比学习的最新人工智能方法Concerto 用于单细胞参考数据集映射注释成果的发布，丰富了华大智造此前自主研发DNBelab C4单细胞平台，实现了单细胞组学领域硬件与软件的深度结合，相信未来会在单细胞领域赋能更多用户。”来源：深圳新闻网
