Science Advances | MIST：一种新型深度学习框架可解释的单细胞T细胞多组学整合分析工具
T细胞的功能高度依赖其T细胞受体（TCR），后者通过识别抗原调控免疫应答。近年来，单细胞测序技术的进步使得在单细胞分辨率下同时分析转录组和TCR成为可能。然而，现有方法大多将scRNA-seq和scTCR-seq视为独立数据，仅基于TCR克隆型进行联合分析。
近日，暨南大学罗钧洪团队在《Science Advances》上发表了题为"MIST: An interpretable and flexible deep learning framework for single-T cell transcriptome and receptor analysis"的研究成果。该研究基于变分自编码器（VAE）开发了MIST（Multi-Insight for T cell）深度学习模型，用于整合单细胞RNA测序（scRNA-seq）和T细胞受体测序（scTCR-seq）数据。MIST通过构建转录组、TCR和联合潜在空间，实现了跨组学数据的深度融合，能够精准解析T细胞的功能状态、克隆扩增模式及抗原特异性，并显著提升了现有方法在数据整合与生物学解释方面的能力。
MIST: An interpretable and flexible deep learning framework for single-T cell transcriptome and receptor analysis
MIST框架的设计与功能
MIST（Multi-insight for T cell）是一种基于变分自编码器（VAE）架构的深度学习框架，旨在整合单T细胞的转录组和TCR数据（图1A）。
图1：MIST模型用于联合scRNA-seq与scTCR-seq数据分析
MIST通过三个潜在空间（GEX、TCR和联合潜在空间）实现多角度分析：
1）GEX潜在空间：通过自注意力机制和全连接神经网络编码转录组数据，有效去除批次效应（图2A），并识别细胞类型特异性基因表达模式（图2E, F）。
图2：GEX潜在空间在scRNA-seq数据分析中的应用
2）TCR潜在空间：将TCR序列中的氨基酸和V/J基因嵌入为向量，捕捉CDR3序列的生化特性（图3A），并通过注意力权重揭示抗原特异性相关的保守氨基酸基序（图3F）。
图3：联合潜在空间在抗原特异性T细胞组合分析中的应用
3）联合潜在空间：整合GEX和TCR特征，用于聚类、伪时间分析和抗原特异性T细胞分析（图1A右）。
MIST的模块化设计支持多种下游分析，包括聚类、批次效应校正、GEX插补和TCR相似性计算。其自注意力机制增强了模型的可解释性，例如通过基因间注意力权重揭示共表达关系（图2G）。
模型验证与应用
1）单细胞GEX分析：在10x Genomics的20万CD8+ T细胞数据集中，MIST成功重建了稀疏的scRNA-seq数据（图1B, D），并通过GEX潜在空间实现了跨供体的细胞混合（图2A），而原始表达数据未能完全消除批次效应（图2B）。
2）TCR语义解析：MIST的氨基酸嵌入反映了其生化特性（图3A），且TCR潜在空间能够区分不同抗原特异性的T细胞（图3B, E）。例如，针对流感抗原A0201_GILGFVFTL的T细胞表现出较小的细胞间距离，反映了克隆扩增后的转录组和TCR一致性（图3E）。
3）联合分析：在非小细胞肺癌（NSCLC）免疫治疗数据中，联合潜在空间揭示了CXCL13+ T细胞的异质性及其与抗PD-1治疗的关联（图4A, 5A）。
图4：潜在空间在非小细胞肺癌患者抗PD-1治疗T细胞表征中的应用
这些细胞中，CXCL13+-post T细胞表现出效应记忆表型，而CXCL13+cluster1细胞则具有调节性T细胞特征（图5E, G），这一发现为原始研究未报告的结论提供了新见解。
图5：MIST在抗PD-1治疗响应性T细胞发现与预测中的应用
4）COVID-19研究：在COVID-19患者PBMC数据中，MIST通过联合潜在空间鉴定出严重/危重症患者特有的T细胞簇（如簇22-24），这些细胞高表达干扰素响应基因和NKG2D共刺激受体KLRK1（图6F, H），提示其在病毒免疫中的重要作用。
图6：COVID-19患者PBMC样本大尺度T细胞数据集分析
讨论与比较
MIST相较于现有工具（如CoNGA、Tessa和scNAT）具有显著优势：
1）灵活性：通过独立潜在空间支持多模态数据的并行分析，而scNAT仅提供单一联合表示。
2）可解释性：自注意力机制揭示了基因共表达和TCR基序的生物学意义，而其他模型缺乏此类功能。
3）鲁棒性：通过DSBN层消除批次效应，适用于复杂疾病微环境（如肿瘤）中的T细胞分析。
局限性包括无法跨模态生成数据（如从GEX预测TCR）及较长的训练时间。未来，MIST可扩展至B细胞受体或γδ TCR分析，并可能整合单细胞ATAC-seq数据。
结论
MIST为单细胞分辨率下的T细胞研究提供了灵活、可解释且鲁棒的框架，通过整合转录组和TCR特征，揭示了T细胞在抗原特异性、免疫治疗响应和疾病异质性中的新机制。
关注我们，获取更多前沿生物信息学研究成果！有什么想法可以在评论区评论，也可以私信获取原文PDF哦！
阔跃生物公开课，为您解读国自然热点，免费思路答疑！助力科研突破！