Nat. Commun. 速递：面向多模态生物数据分析的可解释多任务学习

关键词：单细胞多模态生物学，多模态整合，可解释机器学习，多任务深度神经网络

论文题目：Explainable multi-task learning for multi-modality biological data analysis

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-023-37477-x

目前的生物技术可以同时测量同一细胞的多种高维模式（如 RNA、DNA可及性和蛋白质）。需要结合不同的分析任务（如多模态整合和跨模态分析）来全面了解这些数据，推断基因调控如何驱动生物多样性和功能。然而，目前的分析方法被设计为执行单一任务，只能提供多模态数据的部分情况。

这项最新发表于 Nature Communications 的研究提出了 UnitedNet 框架，一个可解释的多任务深度神经网络，能够整合不同的任务来分析单细胞多模态数据。应用于各种多模态数据集（如 Patch-seq、多组ATAC+基因表达和空间转录组学），与最先进的方法相比，UnitedNet 在多模态整合和跨模态预测方面表现出类似或更好的准确性。此外，通过用可解释机器学习算法对训练的 UnitedNet 进行剖析，可以直接量化基因表达和其他具有细胞类型特异性的模式之间的关系。

UnitedNet 是一个全面的端到端框架，可以广泛适用于单细胞多模态生物学。这个框架有可能促进跨转录组学和其它模式的细胞类型特异性调控动力学的发现。