CellFuse实现对单细胞和空间蛋白质组学数据的多模态整合，用于癌症的系统水平分析

利用单细胞和空间模态分析肿瘤对于增进我们对癌症的理解至关重要。支持这些研究的技术的发展提供了越来越多的单细胞数据集。跨研究整合这些数据将增加各项研究的影响力并加速癌症研究。大多数现有的整合方法针对转录组数据设计，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不成立。在此，我们开发了CellFuse，一个基于深度学习的整合框架，用于统一基于抗体的蛋白质组数据集，包括高维细胞计数、通过测序进行转录组和表位的细胞索引以及空间蛋白质组数据。利用监督对比学习，CellFuse学习了一个共享嵌入空间，实现了准确的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在恢复临床相关群体（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，它重建了空间解析的微环境，捕获了与治疗反应相关的恶性、基质和免疫细胞之间的相互作用。通过实现可扩展的、模态不可知的整合，CellFuse为揭示预后细胞状态和描绘肿瘤-免疫生态系统的结构提供了有力工具，具有转化医学意义，推动癌症发现。