MEFISTO:从多模态数据中识别变异的时间和空间模式

因子分析是基因组学中广泛使用的降维方法现有的因子分析模型假设观察到的样本是独立的,而这个假设在时空分析研究中并不适用。2022年1月《Nature methods》发表了一个灵活且通用的工具箱:MEFISTO,用于在已知样本之间的空间或时间依赖性的情况下对高维数据进行建模。MEFISTO不仅保持了因子分析对多模态数据的既定优势,还能够进行空间-时间上的降维、插补和平滑与非平滑变化模式的分离。此外,MEFISTO 可以通过以数据驱动的方式同时识别和对齐潜在的变异模式来整合多个相关数据集。



MEFISTO是什么?

MEFISTO是一个计算框架,开启了多模态因子分析在时间或空间分辨率数据集的应用。MEFISTO将一个数据集作为输入,该数据集包含一个或多个特征集(例如不同组学)的测量值,在下文中称为“视图(views)”,以及一个或多个样本集(例如来自不同实验条件、物种或个体),在下文中称为“组(groups)”。除了这些高维数据,每个样本还具有连续的协变量(例如一维时间坐标或二维空间坐标)。MEFISTO将输入数据分解为潜在因子,类似于传统的因子分析,从而恢复低维潜在空间中样本的联合嵌入。同时,该模型产生了一个稀疏的线性映射,因此可以解释潜在因子和观察到的特征之间的特定视图权重。在概率框架内制定的MEFISTO自然可以解释视图、组和协变量值的任意组合的缺失值。


> 与多模态数据的现有因子分析方法不同,MEFISTO采用连续协变量来解释样本之间的时空相关性,这允许识别时空平滑因子以及独立于连续协变量的非平滑因子;

> 对于具有重复时空测量的实验设计,例如涉及多个个体、物种或实验条件的纵向研究,MEFISTO对这些样本组的异质性进行建模和解释,从而推断出时空模式在各组之间的共享程度;

> 为了在大型数据集中实现高效推理,MEFISTO利用稀疏高斯过程近似,以及有效的Kronecker分解。


MEFISTO的性能评估

开发团队将MEFISTO应用于具有空间或时间分辨率的不同数据集进行了性能评估。


使用模拟数据进行验证:在一系列的模拟设置中,MEFISTO产生了更好的潜在空间恢复,并提供了更准确的缺失数据的归因。


在发育基因表达图谱中的应用:开发团队将MEFISTO应用于哺乳动物器官发育的进化图谱,MEFISTO确定了五个潜在因子,这些因子对时间点的向下采样具有鲁棒性,它们共同解释了不同器官35–85%的转录组变异。尽管器官和物种的几种组合缺少大量时间点,但MEFISTO的时间排列产生了物种间发育阶段的有意义的对应关系。所有五个因子都具有高度的平稳性,这与驱动大部分变异的发育程序相一致。值得注意的是,在不同因子之间,物种间的共享性差异很大。


在稀疏纵向微生物组数据中的应用:作为第二个用例,开发团队将MEFISTO应用于婴儿出生后微生物组的纵向样本。MEFISTO根据出生模式(因子1)和婴儿饮食(因子2)确定了不同的时间轨迹。与不考虑时间协变量的方法不同,MEFISTO在掩盖随机选择的样本子集时,产生了因子值的稳健估计。

在多维和空间组学中的应用:考虑使用MEFISTO分析具有多维协变量的数据集。开发团队将MEFISTO应用于一项单细胞多组学研究。为了确定转录组和表观遗传组在发育过程中的协调变化,研究团队使用从RNA表达中得到的二维参考坐标来描述发育过渡期,并将这些作为MEFISTO的协变量(方法)。应用于所有三个组学层,考虑到DNA甲基化和染色质可及性在转录因子基序处量化作为输入(方法),MEFISTO确定了七个因子,分别共同解释了RNA表达、DNA甲基化和染色质可及性中29%、35%和39%的差异。此外,研究团队使用MEFISTO推断出潜在高斯过程去噪转录因子活性,并在只有RNA表达测量结果的细胞中估算转录因子基序的可及性和甲基化值。该分析说明了MEFISTO沿着多维轨迹估算整个分子层的能力,这对于分析非常稀疏的数据类型(如单细胞多组学技术)尤其有价值。

类似地,MEFISTO还可用于识别空间模式。MEFISTO在小鼠大脑前部10x Visium空间转录组学数据集的测试结果表明,其在稀疏推理方案的实用性,该方案大大减少了时间和内存需求,同时保留了对空间模式的精确推理以及对缺失点的插补。

MEFISTO未来的发展可能集中在扩展上,以实现跨数据集的空间对齐,以及部署特定的噪声模型。此外,尽管MEFISTO是基于概率因子分析框架,但明确建立空间和时间协变量模型的概念也可以被纳入其他类别的潜变量模型中。除了时间或空间之外,还可以考虑其他辅助信息来进行因子分解,包括临床标志物或分子特征之间的已知依赖性。

MEFISTO安装说明和教程:https://biofam.github.io/MOFA2/MEFISTO

此外,开发团队还提供了关于主要应用的小册子:

https://biofam.github.io/MOFA2/MEFISTO


参考文献

Velten, B., Braunger, J.M., Argelaguet, R. et al. Identifying temporal and spatial patterns of variation from multimodal data using MEFISTO.Nat Methods 19, 179–186 (2022). 

图片来源于Nat Methods官网和参考文献,如有侵权请联系删除。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,258评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,335评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,225评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,126评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,140评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,098评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,018评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,857评论 0 273
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,298评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,518评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,678评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,400评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,993评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,638评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,801评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,661评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,558评论 2 352

推荐阅读更多精彩内容