Nat Cell Biol | DePass: 一种用于单细胞和空间多组学配对数据整合去噪的双增强图学习框架|cell|增强图|异质性|模态|高质量数据集

测序与成像技术的快速发展产生了大量配对多组学数据。然而，相较于单模态数据，多模态数据往往伴随着更高的技术噪声、更显著的跨模态分布差异以及更强的数据复杂性，给数据整合带来了挑战。现有计算方法多针对单细胞或空间数据单独设计，且鲜有能同时兼顾去噪与整合的方案，通用性与鲁棒性受限。

2026年9月24日，南开大学人工智能学院张瀚团队与华大研究院赵鑫博士团队在Nature Cell Biology上发表题为“The dual-enhanced graph learning framework DePass allows paired data integration in single-cell and spatial multiomics”的研究论文。该研究提出了名为DePass的噪声感知、通用且可扩展的图学习整合框架，用于配对多组学数据的去噪与整合。该框架通过增强–整合迭代耦合，联合优化原始组学数据与整合嵌入空间，并兼容单细胞和空间多组学数据、不同模态组合及大规模数据集。其中，数据增强与多模态整合相互优化，带反馈的双增强策略对原始多组学数据去噪，整合图学习模块基于去噪数据学习鲁棒的细胞表征，融合后的表征再反馈指导并强化数据增强。不同于主要优化低维嵌入的传统方法，该方法直接作用于原始特征矩阵，通过融合局部空间邻近性与长程特征相似性，在降低技术噪声的同时保留细粒度的生物学异质性。

图1 DePass的模型框架

研究团队在涵盖6种组学模态、9种组织类型和13种测序平台的15个数据集上，将DePass与10种主流方法进行系统比较。结果表明，DePass在单细胞和空间多组学数据整合中均表现出较好的综合性能。该方法生成的增强数据和整合表征可用于多种下游分析任务。在小鼠脾脏数据中，基于增强数据进行RNA到蛋白质的跨模态预测，可有效提高预测精度。为进一步评估增强数据对细微生物学变化的表征能力，研究团队基于增强数据开展伪时间分析，发现增强后的数据呈现出较原始噪声数据更加平滑、空间连贯的梯度分布，有助于揭示小鼠胚胎发育过程中的动态变化。在结直肠癌案例研究中，研究团队基于Stereo-CITE-seq生成的空间多组学数据，在接近单细胞的空间分辨率下解析了免疫微环境亚结构和空间肿瘤异质性。

南开大学人工智能学院博士生李威、蒋源湘为论文的共同第一作者；南开大学人工智能学院张瀚教授和华大研究院赵鑫博士为论文共同通讯作者。

文章链接：

https://doi.org/10.1038/s41556-026-02067-8

学术合作组织

（*排名不分先后）