[论文解读] Artificial Intelligence for Central Dogma-Centric Multi-Omics: Challenges and Breakthroughs

Lei Xin, Caiyun Huang+9 more|arXiv (Cornell University)|Dec 17, 2024

Bioinformatics and Genomic NetworksBiochemistry, Genetics and Molecular Biology被引用 3

一句话总结

本文综述了人工智能（AI）在以中心法则为核心的多组学整合中的应用，重点关注高维噪声数据和批次效应等挑战，并突出展示了基础模型、注意力机制以及多组织单细胞数据整合方面的突破。研究表明，通过先进的深度学习与多组学数据融合，AI显著提升了疾病分型、生物标志物发现和精准医学的发展。

ABSTRACT

With the rapid development of high-throughput sequencing platforms, an increasing number of omics technologies, such as genomics, metabolomics, and transcriptomics, are being applied to disease genetics research. However, biological data often exhibit high dimensionality and significant noise, making it challenging to effectively distinguish disease subtypes using a single-omics approach. To address these challenges and better capture the interactions among DNA, RNA, and proteins described by the central dogma, numerous studies have leveraged artificial intelligence to develop multi-omics models for disease research. These AI-driven models have improved the accuracy of disease prediction and facilitated the identification of genetic loci associated with diseases, thus advancing precision medicine. This paper reviews the mathematical definitions of multi-omics, strategies for integrating multi-omics data, applications of artificial intelligence and deep learning in multi-omics, the establishment of foundational models, and breakthroughs in multi-omics technologies, drawing insights from over 130 related articles. It aims to provide practical guidance for computational biologists to better understand and effectively utilize AI-based multi-omics machine learning algorithms in the context of central dogma.

研究动机与目标

• 解决单组学方法在连接基因型与表型以及识别疾病亚型方面的局限性。
• 综述人工智能与深度学习技术在整合中心法则（DNA → RNA → 蛋白质）全链条多组学数据中的应用。
• 识别多组学数据整合中的瓶颈，包括批次效应、数据稀疏性以及计算复杂性。
• 突出展示基础模型、注意力机制以及大规模生物序列高效推理方面的最新进展。
• 倡导建立开放的、多器官多组学数据集，以加速系统生物学与精准医学中的人工智能驱动发现。

提出的方法

• 系统性回顾130余项关于人工智能在多组学中应用的研究，重点聚焦整合策略、模型架构与应用场景。
• 应用注意力机制与基于Transformer的模型（如TTT、InstInfer、Mnemosyne）以线性复杂度处理长生物序列。
• 采用度量学习与统一嵌入技术（如SCimilarity、CELLama）实现可解释的跨物种细胞类型比较。
• 利用大规模单细胞数据集（如scFoundation中超过5000万个细胞）对基础模型进行跨组织与跨物种的预训练。
• 通过多模态自编码器与基于注意力的融合方法整合多组学数据，以建模基因调控网络。
• 采用3D并行推理策略（如Mnemosyne）实现实时处理高达1000万个序列上下文的能力。

实验结果

研究问题

• RQ1 AI模型如何有效整合中心法则全链条的多组学数据，以提升疾病分型与生物标志物发现？
• RQ2 在扩展至长生物序列与多组织单细胞数据时，AI模型面临的主要计算与生物学挑战是什么？
• RQ3 基础模型如scFoundation与CELLama如何实现跨物种与跨组织的细胞类型识别与功能推断？
• RQ4 注意力机制与高效推理架构在降低大规模组学建模的内存与计算成本方面发挥何种作用？
• RQ5 如何通过改进数据整合与标准化免疫组库数据库，提升对免疫疗法反应与抗原特异性的预测能力？

主要发现

• 人工智能驱动的多组学整合显著提升了疾病预测的准确性，并有助于识别与疾病相关的遗传位点与调控机制。
• 在超过5000万个单细胞样本上预训练的基础模型（如scFoundation）可实现稳健的跨组织与跨物种细胞类型嵌入及功能推断。
• 如TTT与Mnemosyne等模型将序列建模扩展至超过16,000个标记，且保持线性复杂度，实现了对长基因组与转录组序列的可扩展分析。
• 基于度量学习的方法（如SCimilarity）可实现对形态与转录谱相似细胞的快速、可解释查询。
• 尽管已有进展，但仅有约10%的非靶向代谢组学数据可进行结构注释，凸显了数据完整性方面的重大瓶颈。
• 缺乏大规模、公开的多器官多组学数据集仍是训练通用化AI模型的关键障碍，尤其在免疫学与罕见病研究中。