《Graph machine learning for integrated multi-omics analysis》
图神经网络（GNNs）的核心概念
GNNs是一种端到端的深度学习模型，能够直接处理图结构数据。论文介绍了以下几种主要GNN变体：
图卷积网络（GCN）：通过聚合邻居节点信息进行特征提取。
GraphSAGE：基于采样的图神经网络，适合大规模图数据。
图注意力网络（GAT）：利用注意力机制为不同邻居分配权重。
变换器网络（TNN）：结合变换器架构处理图数据。
图自编码器（GAE）与变分图自编码器（GVAE）：用于学习图的低维表示。
GNN在单细胞组学中的应用
论文详细探讨了GNN在以下单细胞组学领域的具体应用：
1. 单细胞转录组学（scRNA-seq）
任务：包括数据插补（imputation）、聚类（clustering）和细胞类型识别（cell type identification）。
方法：
Graph2CNN、scGNN等：通过构建基因-基因或细胞-细胞图，结合GNN进行数据插补和聚类。例如，scGNN通过路径活动评分矩阵（pathway activity score matrices）整合基因和细胞信息，预测细胞类型。
GraphCN：结合自编码器和GCN，利用细胞相似性矩阵进行细胞类型识别。
优势：GNN能够捕捉细胞间的相似性和基因交互关系，提高聚类和识别的准确性。
2. 单细胞表观遗传学（scATAC-seq）
任务：细胞类型注释（cell type annotation）。
方法：
scGCN：通过参考scRNA-seq数据集，构建查询和参考数据集的混合图，利用三层GCN进行细胞类型注释。
HyGamo：通过并行GNN架构，从scRNA-seq数据中提取特征，改进对scATAC-seq的注释效果。
挑战：scATAC-seq数据中峰值特征的转换可能丢失信息，HyGamo通过直接特征提取克服了这一问题。
3. 单细胞DNA甲基化
任务：甲基化插补（methylation imputation）。
方法：
CapriCG：使用GNN构建细胞-位点（loci）的二分图，通过GAT学习节点间关系，预测缺失的甲基化值。
意义：解决单细胞DNA甲基化数据的高稀疏性问题，提供更完整的细胞类型组成信息。
4. 细胞-细胞通信推断
任务：推断细胞间交互。
方法：
Graph-DIFWAE：基于scRNA-seq数据构建加权图，利用皮尔逊相关系数和变分自编码器（VAE）推断细胞通信。
应用：帮助理解细胞系统的生物学交互机制。
5. 单细胞多组学整合
任务：整合多种组学数据（如scRNA-seq、scATAC-seq等），进行细胞类型解卷积（cell type deconvolution）、模态预测等。
方法：
CLUE、GNN-SC、STAC：利用GNN整合特征-特征或细胞-细胞图，实现多组学数据融合。
MamiGT、DeepMAPS：结合GAT和GTN，识别细胞群体并预测蛋白质丰度。
DGTs：利用伪空间转录组（pseudo-SRT）数据，通过GNN预测空间网格中的细胞类型比例。
优势：GNN能够整合多模态数据，捕捉复杂的生物学关系。
6. 空间转录组学（SRT）
任务：空间数据分析，细胞类型解卷积。
方法：类似DGTs，利用空间图结构进行多尺度特征整合，预测细胞类型比例。
GNN变体的分布与应用趋势
分布：论文通过饼图展示了六种GNN变体（GCN、GraphSAGE、GAT、TNN、GAE、GVAE）的应用比例。
趋势：GNN在单细胞组学中的应用逐年增长，尤其在2022-2024年间，涉及转录组学、表观遗传学和多组学整合的任务显著增加。
结论与展望
总结：GNN在单细胞组学分析中展现了强大潜力，特别是在处理复杂图结构和整合多模态数据方面。论文回顾了50种GNN-based方法的成功应用，涵盖细胞类型识别、数据插补、通信推断和多组学整合等任务。
未来方向：
高分辨率数据：随着单细胞技术的发展，GNN将更广泛应用于高分辨率数据集。
个性化医学：通过整合多组学数据，GNN可助力开发更全面的细胞行为模型，推动个性化医学的发展。
预训练模型：在小规模任务特定数据集上微调预训练GNN模型，可显著提升性能。
资助与数据可用性
资助：研究由国家自然科学基金（2027121、2022022号）和CAST青年精英科学家资助计划（2022QRRC001）支持。
数据可用性：本研究未使用任何数据。