一种基于mRNA序列引导的单细胞及空间蛋白质组学数据整合方法、系统及存储介质与流程

本发明属于生物信息学与计算生物学，具体涉及一种基于mrna序列引导的单细胞及空间蛋白质组学数据整合方法、系统及存储介质。

背景技术：

1、近年来，高灵敏度质谱平台和单细胞测序技术的突破性进展，显著提升了我们在单细胞分辨率下表征蛋白质组的能力。单细胞蛋白质组学分析揭示了复杂组织（如肿瘤微环境）中的细胞异质性与分子调控机制，为疾病诊断和靶向治疗提供了宝贵的分子标志物。例如，质谱流式细胞术（cytof）和基于抗体的测序技术（如cite-seq, reap-seq）已成为解析细胞身份和功能状态的重要工具。

2、然而，单细胞蛋白质组学数据的分析仍面临巨大的计算挑战。首先，由于技术噪声、缺失测量值（dropout）以及仪器灵敏度的限制，原始数据往往包含大量非生物性变异。其次，不同实验批次、不同测序平台甚至不同物种之间的数据存在显著的批次效应（batcheffect），导致同一细胞类型在不同数据集中的分布不一致，严重阻碍了数据的有效整合与比较分析。

3、现有的计算方法多直接借鉴用于单细胞rna测序（scrna-seq）的流程，如基于k近邻（knn）的插补算法或combat等统计校正方法。然而，蛋白质组学数据与转录组学数据在数据结构、特征稀疏性和噪声分布上存在本质差异。例如，基于knn的插补方法在蛋白质组学数据中容易引入伪影，特别是在存在强批次效应时；而combat等方法假设各批次间具有共享的生物学组成，这一假设在高度异质性的单细胞蛋白质组数据中常被违背。此外，现有方法通常将蛋白质独立处理，忽略了蛋白质与其对应mrna序列之间潜在的调控关系。实际上，蛋白质的丰度受翻译效率、mrna稳定性及序列基序（motifs）的调控，整合mrna序列信息有望为蛋白质表征提供更具生物学意义的先验信号。

4、因此，亟需一种能够充分利用mrna序列调控信息，同时有效解决单细胞及空间蛋白质组学中噪声、批次效应及跨物种差异的新型计算框架。

技术实现思路

1、本发明的目的在于提供一种基于mrna序列引导的单细胞及空间蛋白质组学数据整合方法及系统，旨在通过深度学习模型挖掘mrna序列中的调控信号，增强蛋白质组学数据的表征能力，并实现稳健的跨批次、跨物种及空间数据整合。

2、为实现上述目的，本发明提供如下技术方案：

3、第一方面，本发明提供一种基于mrna序列引导的单细胞及空间蛋白质组学数据整合方法，包括以下步骤：

4、获取单细胞或空间蛋白质组学数据，所述数据包括多个细胞的蛋白质丰度测量值以及所述蛋白质对应的mrna核苷酸序列；

5、构建序列引导的表征学习模型，所述模型包含层次化卷积神经网络编码器和全连接预测层；

6、将所述mrna核苷酸序列输入所述编码器，提取序列特征，并通过所述全连接预测层预测各细胞的蛋白质丰度；

7、在训练过程中，通过最小化预测蛋白质丰度与真实蛋白质丰度之间的均方误差损失，迭代优化所述模型参数；

8、提取训练完成后所述全连接预测层中的共享权重矩阵，将所述共享权重矩阵作为各细胞的高维嵌入向量，其中，所述高维嵌入向量封装了mrna序列基序与蛋白质表达之间的调控关系；

9、基于所述高维嵌入向量构建跨批次的互近邻图，识别来自不同实验批次或不同物种的细胞之间的互近邻关系，建立细胞间的拓扑连接；

10、利用对称自编码器架构对所述高维嵌入向量进行潜在空间重构，并结合三元组损失函数进行联合优化，以在保留生物学信号的同时校正批次效应，输出校正后的细胞嵌入向量。

11、进一步优化设计，所述构建序列引导的表征学习模型具体包括：

12、对固定长度的mrna核苷酸序列进行独热编码，将其映射为多维二进制输入矩阵；

13、通过第一层一维卷积层处理所述输入矩阵，所述第一层包含多个卷积核，随后依次进行批归一化、激活函数处理和最大池化操作，得到第一特征图；

14、将所述第一特征图输入至由多个堆叠卷积块组成的卷积塔中，每个卷积块使用固定宽度的卷积核，且卷积核数量在层间逐渐增加，以捕获多尺度的上下文模式，得到第二特征图；

15、通过逐点卷积降低所述第二特征图的特征维度，展平后得到扁平化特征向量，并通过包含dropout和批归一化的全连接瓶颈层将其投影至低维潜在空间，得到初始序列嵌入。

16、进一步优化设计，所述基于所述高维嵌入向量构建跨批次的互近邻图具体包括：

17、分别获取来自第一批次和第二批次的所有细胞的高维嵌入向量；

18、对于第一批次中的任意细胞，在潜在空间中计算其到第二批次所有细胞的距离，确定第二批次中距离最近的k个邻居细胞；

19、同时，对于第二批次中的任意细胞，在潜在空间中计算其到第一批次所有细胞的距离，确定第一批次中距离最近的k个邻居细胞；

20、若第一批次中的细胞a与第二批次中的细胞b互为对方的k个最近邻居之一，则在细胞a与细胞b之间建立一条边，从而构建反映跨数据集结构对应关系的邻接矩阵。

21、进一步优化设计，所述利用对称自编码器架构结合三元组损失函数进行联合优化具体包括：

22、将拼接后的跨批次高维嵌入向量输入至多层编码器，生成潜在表征；

23、通过结构对称的解码器从潜在表征重构输入特征，并计算重构均方误差损失；

24、基于所述互近邻图构建三元组样本，所述三元组样本包括一个锚点细胞、一个来自不同批次或物种的正样本细胞以及一个负样本细胞；

25、计算所述锚点细胞与正样本细胞在潜在空间中的距离，以及所述锚点细胞与负样本细胞在潜在空间中的距离，并根据预设边界参数计算三元组损失；

26、其中，所述三元组损失旨在强制拉近所述正样本细胞与锚点细胞的距离，并推远所述负样本细胞与锚点细胞的距离；

27、将所述重构均方误差损失与所述三元组损失加权求和得到总体目标函数，并通过反向传播算法更新模型参数。

28、进一步优化设计，所述构建三元组样本时，正样本的选择依赖于所述互近邻关系，即对于每个锚点细胞，从与其互为互近邻的跨批次或跨物种细胞中选择相似度最高的细胞作为正样本；负样本的选择基于潜在空间中的距离，从与锚点细胞不连通或距离较远的细胞中采样作为负样本。

29、进一步优化设计，所述输出校正后的细胞嵌入向量用于跨物种蛋白质组学数据整合，具体包括：

30、获取来自不同物种但具有生物学同源性的蛋白质组学数据集；

31、利用统一训练的序列编码模块将不同物种的mrna序列映射至同一嵌入空间，以消除物种间的序列差异；

32、通过所述互近邻匹配识别跨物种的生物学相似细胞，并应用所述三元组损失函数对齐跨物种的细胞分布；

33、最终输出能够同时反映物种间进化保守性与个体间技术差异的整合嵌入向量。

34、进一步优化设计，所述输出校正后的细胞嵌入向量用于空间蛋白质组学数据分析，具体包括：

35、在处理空间蛋白质组学数据时，保留细胞的空间坐标信息，并将校正后的细胞嵌入向量与空间邻域信息结合；

36、通过聚类算法在嵌入空间中对细胞进行分组，并将聚类结果映射回原始空间坐标，以可视化细胞类型在组织微环境中的空间分布模式。

37、进一步优化设计，所述层次化卷积神经网络编码器的具体参数配置包括：

38、第一层一维卷积层包含288个卷积核，卷积核宽度为17；

39、卷积塔包含六个卷积块，各卷积块的卷积核数量依次为288、323、363、407、456和512，所有卷积块的卷积核宽度均为5；

40、全连接瓶颈层将特征投影至256维潜在空间，dropout率为0.2。

41、第二方面，本发明提供一种基于mrna序列引导的单细胞及空间蛋白质组学数据整合系统，包括：

42、数据获取模块，用于获取单细胞或空间蛋白质组学数据，所述数据包括多个细胞的蛋白质丰度测量值以及所述蛋白质对应的mrna核苷酸序列；

43、序列编码与预测模块，用于构建序列引导的表征学习模型，所述模型包含层次化卷积神经网络编码器和全连接预测层；将所述mrna核苷酸序列输入所述编码器提取序列特征，并通过所述全连接预测层预测各细胞的蛋白质丰度；在训练过程中，通过最小化预测蛋白质丰度与真实蛋白质丰度之间的均方误差损失，迭代优化所述模型参数；

44、嵌入提取模块，用于提取训练完成后所述全连接预测层中的共享权重矩阵，将所述共享权重矩阵作为各细胞的高维嵌入向量，其中，所述高维嵌入向量封装了mrna序列基序与蛋白质表达之间的调控关系；

45、图构建模块，用于基于所述高维嵌入向量构建跨批次的互近邻图，识别来自不同实验批次或不同物种的细胞之间的互近邻关系，建立细胞间的拓扑连接；

46、批次校正模块，用于利用对称自编码器架构对所述高维嵌入向量进行潜在空间重构，并结合三元组损失函数进行联合优化，以在保留生物学信号的同时校正批次效应，输出校正后的细胞嵌入向量。

47、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法。

48、本发明与现有技术相比，具有如下有益效果：

49、1.本发明创新性地利用mrna序列通过卷积神经网络提取调控特征，并提取预测层的共享权重作为细胞嵌入。这种设计使得细胞表征不仅依赖于可能受噪声影响的蛋白质丰度，还融合了稳定的序列调控先验信息，显著提升了在稀疏和高噪声数据中的聚类分辨率。

50、2.通过构建互近邻（mnn）图并结合三元组损失函数，本发明能够在潜在空间中强制拉近生物学相似的细胞，即使它们来自不同批次或物种，同时推远不相似的细胞，这种度量学习方法比传统的统计校正更能保留局部的细胞拓扑结构。

51、3.本发明不仅适用于单细胞蛋白质组学数据的批次校正，还能有效处理跨物种（如人-猴）的比较蛋白质组学分析，以及保留空间信息的空间蛋白质组学数据分析，展现了极强的通用性和扩展性。