CellFuse实现单细胞与空间蛋白质组学数据的多模态整合，用于癌症系统水平分析

利用单细胞和空间模态分析肿瘤对于推进我们对癌症的理解至关重要。支持这些研究的技术发展提供了越来越多的单细胞数据集。跨研究整合此类数据将增加个体研究的影响并加速癌症研究。大多数现有的整合方法是为转录组数据量身定制的，并假设存在大量共享特征，这一假设对于低维蛋白质组测量并不成立。在此，我们开发了CellFuse，这是一个基于深度学习的整合框架，统一了基于抗体的蛋白质组数据集，包括高维细胞计数、通过测序进行的转录组和表位细胞索引以及空间蛋白质组学数据。利用监督对比学习，CellFuse学习了一个共享的嵌入空间，实现了跨模态细胞类型预测和跨肿瘤样本及实验条件的稳健标签转移。应用于涵盖外周血、骨髓和淋巴瘤的数据集，CellFuse在恢复临床相关细胞群（包括罕见的恶性和免疫亚群）方面持续优于现有方法。在实体瘤中，它重建了空间分辨的微环境，捕获了与治疗反应相关的恶性细胞、基质细胞和免疫细胞之间的相互作用。通过实现可扩展的、模态无关的整合，CellFuse提供了一个强大的工具来揭示预后细胞状态并描绘具有转化相关性的肿瘤-免疫生态系统结构，推动癌症发现。意义：CellFuse是一个监督对比学习框架，能够准确、可扩展地整合单细胞蛋白质组和转录组数据，克服稀疏标记物重叠和不同分布的问题，以改进癌症单细胞数据分析。