[论文解读] A technical review of multi-omics data integration methods: from classical statistical to deep generative approaches

Ana R. Baião, Zhaoxiang Cai+6 more|arXiv (Cornell University)|Jan 29, 2025

Bioinformatics and Genomic Networks被引用 5

一句话总结

对多组学数据整合方法的综合评述，重点关注深度生成模型（特别是变分自编码器）在填补缺口、联合嵌入和批量效应校正中的应用，以及对损失函数、正则化和未来方向的讨论。

ABSTRACT

The rapid advancement of high-throughput sequencing and other assay technologies has resulted in the generation of large and complex multi-omics datasets, offering unprecedented opportunities for advancing precision medicine strategies. However, multi-omics data integration presents significant challenges due to the high dimensionality, heterogeneity, experimental gaps, and frequency of missing values across data types. Computational methods have been developed to address these issues, employing statistical and machine learning approaches to uncover complex biological patterns and provide deeper insights into our understanding of disease mechanisms. Here, we comprehensively review state-of-the-art multi-omics data integration methods with a focus on deep generative models, particularly variational autoencoders (VAEs) that have been widely used for data imputation and augmentation, joint embedding creation, and batch effect correction. We explore the technical aspects of loss functions and regularisation techniques including adversarial training, disentanglement and contrastive learning. Moreover, we discuss recent advancements in foundation models and the integration of emerging data modalities, while describing the current limitations and outlining future directions for enhancing multi-modal methodologies in biomedical research.

研究动机与目标

• 动机在精准医疗中整合高维、异质性多组学数据所面临的挑战。
• 评估最前沿方法，重点是用于填补缺口、数据增强和联合嵌入的深度生成模型。
• 讨论技术层面的内容，如损失函数、正则化技术和训练策略。
• 突出基础模型的最新进展以及生物医学整合的新数据模态。
• 识别当前的局限性并提出多模态生物医学数据整合的未来研究方向。

提出的方法

• 对用于多组学整合的经典统计和机器学习方法的综述。
• 强调深度生成模型，尤其是变分自编码器（VAEs），用于填补缺口、数据增强和联合嵌入。
• 讨论包括对抗训练、解耦和对比学习在内的损失函数和正则化技术。
• 分析用于跨模态数据整合的训练策略和模型架构。
• 考虑多组学中的基础模型和新兴数据模态。
• 对局限性和未来方向的批判性评估。

实验结果

研究问题

• RQ1 在经典统计、机器学习和深度生成方法的跨组学数据整合中，哪些是关键的方法论进展？
• RQ2 VAE及相关生成模型如何被应用于多组学数据的填补、数据增强和联合嵌入？
• RQ3 哪些损失函数、正则化策略和训练范式最能应对多组学数据的高维和异质性？
• RQ4 当前方法有哪些局限性，未来在整合生物医学中新数据模态方面有哪些有前景的方向？
• RQ5 基础模型和新兴模态如何影响多组学数据整合？

主要发现

• 深度生成模型，尤其是VAEs，在多组学整合中的数据填补、数据增强和联合嵌入方面得到广泛应用。
• 对抗训练、解耦和对比学习是在多组学VAEs场景中重要的正则化技术。
• 最近的进展包括基础模型和新兴数据模态的整合。
• 本综述综合了损失函数和正则化的技术要点，强调它们在应对高维和数据异质性中的作用。
• 当前方法的局限性与差距指向未来更鲁棒、可扩展、可解释的多模态方法的方向。