注意：本文基于图形神经网络的单细胞多组学融合分析方法，用于研究阿尔茨海默病中的染色质可及性和转录组特征

《Current Bioinformatics》：Attention Graphical Neural Networks-based Single-cell Multi-omics Fusion Analysis of Chromatin Accessibility and Transcriptome Characterization in Alzheimer's Disease

　　

摘要

引言：单细胞多组学技术通过整合多种组学数据，提供了对细胞状态和转录调控机制的全面了解。然而，这些数据的复杂性和异质性给分析带来了重大挑战，尤其是在理解阿尔茨海默病（AD）等不可逆且进行性的神经退行性疾病时。

方法：本研究提出了多组学注意力图卷积网络（MOAGCN），这是一种新型的多层深度学习模型，旨在解决单细胞多组学数据中的异质性问题，从而增强多组学数据集的分析能力，并揭示AD的潜在机制。MOAGCN结合了图卷积网络（GCNs）和图注意力网络（GATs），能够同时捕捉细胞间的局部连接性和动态加权细胞间相互作用。该模型被应用于与AD相关的单细胞RNA-seq和ATAC-seq数据集，以识别显著的基因表达和表观遗传变化。此外，还在其他疾病的DNA甲基化、mRNA和miRNA数据集上对该模型进行了验证。通过AUC、准确率和F1分数等指标，将其性能与传统方法进行了比较。

结果：MOAGCN有效揭示了与AD相关的关键基因调控和蛋白质相互作用网络，识别出基因表达和表观遗传标记的显著变化。在多个数据集的对比验证中，MOAGCN在特征提取和分类方面优于传统方法，获得了更高的AUC、准确率和F1分数。这些结果表明，该模型在减少假阳性和假阴性的同时，能够准确识别相关特征。

讨论：通过在细胞类型和疾病样本的分类中进行测试，MOAGCN取得了显著成果，其性能超过了八种领先的算法。进一步分析显示，MOAGCN的性能置信区间为95%，进一步证明了其在不同数据集上的稳健性和稳定性。

结论：MOAGCN提供了一个强大且适应性强的框架，用于整合单细胞多组学数据，有效应对复杂性和异质性的挑战。将其应用于AD数据集，展示了其在揭示调控机制和生物信号方面的潜力，推进了我们对复杂疾病的理解。这种创新方法在多组学数据分析中具有广泛的应用前景，尤其是在阐明神经退行性疾病的机制方面。