ECLARE: multi-teacher contrastive learning via ensemble distillation for diagonal integration of single-cell multi-omic data
Notice bibliographique
Résumé
Integrating multimodal single-cell data such as scRNA-seq and scATAC-seq is key for decoding gene regulatory networks. Still, integration remains challenging due to issues related to feature harmonization and limited quantity of paired data. To address these challenges, we introduce ECLARE , a novel framework combining multi-teacher ensemble knowledge distillation with contrastive learning for integrating unpaired single-cell multi-omic data. Briefly, ECLARE trains teacher models on paired datasets to guide a student model for aligning unpaired data, leveraging a refined contrastive objective and optimal-transport-based loss for precise cross-modality alignment. In computational benchmarking, experiments demonstrate ECLARE ’s competitive performance in cell pairing accuracy, multimodal integration and biological structure preservation, indicating that multi-teacher knowledge distillation provides an effective means to improve a diagonal integration model beyond its zero-shot capabilities. In biological case studies, we demonstrate ECLARE ’s applicability using unpaired snRNA-seq and snATAC-seq datasets in major depressive disorder (MDD). Firstly, our results revealed transcription factors and target gene combinations differentially regulated in depression with sex- and cell-type specificity. These findings further reveal gene regulatory interactions in excitatory neurons that are highly relevant to MDD neuropathology, such as those involving EGR1, SOX2 , and NR3C1 . Secondly, we show that ECLARE can learn continuous data manifolds useful for deciphering longitudinal biological processes in neurodevelopment and disease, revealing altered neurodevelopmental programs as potential regulators of depression in females, strongly associated with EGR1 target genes. Altogether, we propose ECLARE as a robust solution for diagonal integration of unpaired multimodal single-cell data that enables the study of altered gene regulation in disease.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».