Intégration des données unicellulaires à travers des modalités faiblement liées

Les avancées rapides de la technologie permettent la mesure de données multimodales à résolution unicellulaire, mais avec des modalités émergentes caractérisées par de faibles corrélations avec d'autres modalités. Plusieurs approches computationnelles tentent d'intégrer ces données multimodales faiblement liées, mais rencontrent des défis concernant la modélisation précise des relations entre les cellules et l'apprentissage de représentations cellulaires significatives. Dans cette étude, nous présentons l'intégration des données multimodales unicellulaires par l'apprentissage contrastif hypergraphique (MMIHCL), un cadre basé sur l'apprentissage profond qui exploite un graphique de k-plus proches voisins adaptatif optimisé pour modéliser les relations par paires de cellules pour l'intégration de données multimodales. MMIHCL utilise l'apprentissage contrastif hypergraphique pour capturer l'information d'ordre supérieur d'un graphique afin de produire des représentations cellulaires. Un benchmarking complet utilisant un cadre d'évaluation multidimensionnel démontre que MMIHCL fournit systématiquement une intégration de haute qualité à travers divers ensembles de données faiblement liés et maintient une haute précision dans des scénarios fortement liés. Crucialement, MMIHCL démontre une utilité polyvalente dans les applications en aval : il permet une prédiction précise des caractéristiques intermodalités via un appariement explicite des cellules, et permet une classification robuste des maladies et la découverte de cibles médicamenteuses en exploitant des embeddings conjoints optimisés. Une implémentation python de MMIHCL est disponible publiquement à https://github.com/SundayChou/MMIHCL.