企业官网建设流程全解析

处理单细胞多组学的朋友应该都经历过同样的痛苦：手上有同一批样本的转录组和染色质可及性数据，甚至在同一个细胞上同时拿到了RNA和ATAC，可一打开软件就发现两个数据矩阵的维度对不上，几千个细胞、两万个基因对上几十万个峰，根本没法直接丢进同一个聚类模型。GLUE（graph-linked embedding）这篇论文的做法当时让我眼前一亮，它绕开了“强行把特征空间变成一样”的思路，而是先把基因、峰、motif之间的已知关系画成一张特征图，再让两组数据在图的约束下共同嵌入到同一个低维空间。这篇文章就把GLUE的来龙去脉、原理和上手细节完整聊一遍，适合刚接触多组学整合、想弄明白工具背后逻辑的实操型选手。

1. 先想清楚：多组学整合到底在整什么

1.1 组学之间的“语言不通”问题

我们做多组学整合，本质上想回答一个问题：一个细胞在转录组、染色质可及性、甲基化等不同层面上分别是什么样的状态，这些状态能不能放在同一个坐标系里比较。道理很简单，做起来很麻烦。RNA-seq的feature是大约两万个基因，scATAC-seq的feature是几十万甚至上百万个峰，甲基化芯片/测序的feature又是几十万个CpG位点。每个feature承载的信息类型也不同：表达量是counts，可及性是二元的open/closed或counts，甲基化率是0到1之间的连续值。

更要命的是，同一个生物学事件在不同组学里长得完全不一样。比如一个T细胞，转录组里看到CD3D高表达，ATAC里看到的是CD3D附近的启动子区域开放，甲基化数据里则是某些CpG位点的甲基化水平下降。三者本质上都在说同一件事，但数值形态、特征名字都对应不上。如果没有一个跨组学的“翻译层”，两个矩阵直接拼在一起，数学上可行，生物学上却没法解释。

1.2 为什么不能像传统ETL那样直接拼接

做过传统数据集成的人可能会想：这不就是个多表关联问题吗？给两张表一个共同主键，JOIN一下不就好了？Pentaho Data Integration这类ETL工具的玩法确实是这样，业务数据靠统一主键或者统一ID就能拼接。可组学数据最大的问题在于：基因、峰、CpG位点之间根本不存在一一对应的主键关系。

一个基因对应若干个启动子近端峰、若干远端增强子峰；一个CpG位点可能落在启动子区，也可能落在gene body甚至基因间区。如果硬要把ATAC峰注释到基因上再和RNA合并，必然会丢掉远端调控信息，而远端增强子恰恰是细胞类型特异的染色质调控核心区域。还有一类尝试是把所有组学统一投影到“基因活性分数”，Seurat早期的做法就是基于这个思路，简单但损失信息。GLUE并不是在细胞层面硬拼，而是把“特征之间的关系”本身当成桥梁，让特征先对齐，细胞再跟着特征走。这个思路上的差异，是GLUE和很多传统方案的根本区别。

1.3 GLUE给出的答案：用图把特征桥接起来

GLUE全称是Graph-Linked Unified Embedding，作者Cao和Gao在2022年发表在Nature Biotechnology上。名字里的“graph-linked”强调得非常到位：它构建了一张跨组学的特征图，节点是不同组学的特征，边是特征之间已知的生物学关系，比如peak落在基因启动子附近、转录因子的motif出现在某peak里、TF和靶基因有调控关系等。这张特征图相当于一个“语义桥梁”。

有了桥之后，每个组学内部先做各自的降维编码，编码过程同时受特征图中的边约束。图里有关联的特征，在低维空间里就会被拉近；没有关联的特征，自然就分开。这样一来，不同组学不是被强行塞进同一套坐标，而是通过共享的特征空间间接对齐。这个思路最大的好处是：即使两个组学的feature名字完全对不上，只要它们在图里有边，就能在嵌入空间里产生联系，之后细胞嵌入也随之对齐。

2. GLUE核心原理：graph-linked embedding的三步棋

2.1 第一步：特征图（feature graph）怎么建

GLUE输入的特征图，我建议理解成“特征版的知识图谱”。节点是每个组学的feature，边是跨组学的生物学关系。常见的关系有几类：

• peak-gene关系：某个ATAC峰落在某基因的启动子区域或远端调控区域，这是最常用的一类边，可以通过基因组坐标直接算，也可以从ENCODE等数据库拿。
• TF-motif-peak关系：某个转录因子的结合motif在某个峰序列里出现过，说明这个TF可能结合在这个peak上。
• TF-gene关系：转录因子和靶基因之间的调控关系，可以从DoRothEA、TRRUST、以及文献积累的GRN里拿。
• 同一组学内部的特征关系，比如基因-基因相互作用，这种边可选，不影响主流程。

这张图的构建质量直接决定整合效果。我在实际项目中遇到最典型的失败案例是：ATAC峰没有注释到正确的基因组版本，基因名又是另一套命名，导致peak和gene之间几乎没有边，模型虽然能跑，但那本质上成了两个独立VAE的拼接，完全没有“link”的效果。所以动手前一定要统一参考基因组版本，基因注释用同一套GTF，peak坐标也要对应同一版本。

2.2 第二步：图变分自编码器如何嵌入同一空间

特征图只是先验结构，真正把数据嵌进去依赖变分自编码器（VAE）。GLUE的主体框架是图变分自编码器，它的思路粗略理解是这样：每个细胞的原始特征向量，经过编码器网络，映射到一个低维隐变量z，再通过解码器还原出原始特征空间的分布。

关键在解码器这边。普通VAE的解码器是从隐变量z直接映射回原始特征；而GLUE在解码之前，先用图神经网络（GCN/GAT）对特征图中的每个特征节点做编码，得到每个基因、每个峰的低维表示。之后解码器把细胞隐变量z和特征表示拿去做某种相似度/内积运算，重构出细胞在这个特征上的数值。

这样一来，细胞嵌入和特征嵌入被放在了同一个低维空间里。我个人的理解是：特征嵌入描述了“这个基因/峰在这个空间里的位置”，细胞嵌入描述了“这个细胞在这个空间里的位置”。如果特征图里基因A和峰B有条边，那么它们的特征嵌入会被约束在某个距离内，细胞在表达基因A和开放峰B时，自然就会被引导到相近的位置。这才是graph-linked embedding的核心逻辑。

2.3 第三步：链式约束与对抗批次校正如何协同

GLUE的目标函数大致可以拆成三块，实际训练时这三块不是简单的相加，而是加权协同：

• 重构损失（reconstruction loss）：保证细胞隐变量能还原原始数据。具体分布会根据组学类型选择，RNA-seq通常用负二项分布来建模counts，ATAC峰可以考虑二项或负二项，甲基化用Beta分布。这一点比简单Z-score标准化靠谱得多，因为不同组学的数据生成机制不一样。
• 图约束损失（graph constraint）：对特征图中每一条边，要求两端特征在嵌入空间中的表示尽量接近。这个约束可以用距离的平方项实现，也可以用更复杂的拉普拉斯约束。它决定了“link”的强度，也是GLUE防止不同组学被错误对齐的关键。
• 对抗性批次损失（adversarial loss）：跟scVI接近，加一个判别器区分细胞来自哪个组学或哪个批次，编码器则被训练成让判别器分不出来。这样做的目的是消除组学和批次来源带来的技术差异。

这三块需要权衡。图约束太强，跨组学确实能合得很彻底，但可能把真实的生物学差异也抹掉；对抗太强，会把不同细胞类型的真实差异也当作“技术变异”给拉平。论文里有一套默认权重，但换数据集后我基本都会重新调。

2.4 GLUE与Seurat/Harmony/scVI的定位差异

很多同学问：我有Harmony就能整合，为什么还要上GLUE？Harmony解决的是“同一组学内多个批次的校正”，它没有跨特征空间的建模能力。Seurat WNN虽然能处理多组学，但前提是几乎一定是同一细胞测了RNA+ATAC的paired数据，而且本质上还是在特征或细胞维度做加权融合。scVI的VAE框架和GLUE有共同点，但scVI通常也是把不同组学的feature全部拼到一个输入空间里，组学feature维度悬殊时，低维表示很容易被大维度的组学主导。

用一张表总结更直接：

GLUE不可替代的点在于：它允许非配对样本参与跨组学整合。比如你有100个病人的RNA数据和其中50个病人的ATAC数据，不需要同一批细胞/同一个人，只要有足够的先验特征关系，也能放进同一个嵌入空间。这在真实项目里非常实用，毕竟不是每个课题都有条件做10x Multiome。

3. 实操过程：从两个h5ad到整合后的一张大表

3.1 环境与安装

GLUE的官方实现是Python包scglue，依赖PyTorch、scanpy、networkx等。我的建议是单独建一个conda环境，不要和日常分析环境混在一起，因为scglue对scanpy、numpy的版本比较敏感，混装容易把环境搞坏。

conda create -n glue python=3.9 -y conda activate glue conda install pytorch cudatoolkit=11.3 -c pytorch -y pip install scglue scanpy

GPU不是硬性要求，但我强烈建议用GPU。ATAC峰矩阵随随便便几万到几十万维，CPU跑起来太煎熬。装完可以跑一下python -c "import scglue; print(scglue.__version__)"确认安装成功。我遇到过的情况是PyTorch和CUDA版本不匹配导致模型初始化后原地卡死，排查半天，最后是把cudatoolkit版本对齐才解决。如果不想折腾CUDA，可以退而求其次装CPU版，小数据量也能跑。

3.2 构建输入：Anndata、基因注释、motif注释

GLUE的输入是标准的AnnData对象，RNA和ATAC各一个，都已经做过基本QC。数据怎么预处理有讲究，我的经验是：RNA数据保留高变基因可以，峰值矩阵也建议先做一次标准化和特征筛选，但千万不要做传统意义上的批次校正。GLUE自己会处理批次，如果你提前用Harmony拉平过一次，后面GLUE的对抗学习反而容易过度。

关键步骤是给每个AnnData补上特征注释。RNA数据需要有基因注释信息，ATAC数据需要峰值注释和motif注释。以人类为例，大致流程是这样：

import scglue import scanpy as sc rna = sc.read_h5ad("rna.h5ad") atac = sc.read_h5ad("atac.h5ad") # 1. 基因注释 scglue.data.get_gene_annotation( rna, gtf="gencode.v38.annotation.gtf.gz", by="symbol" ) scglue.data.get_gene_annotation( atac, gtf="gencode.v38.annotation.gtf.gz", by="symbol" ) # 2. motif注释（ATAC需要） scglue.data.get_motif_annotation(atac, species="human", motif="jaspar")

需要说明的是，不同版本的scglue接口有差异，具体函数签名打开帮助文档看一眼最稳妥。motif注释这一步很关键，因为TF-motif-peak这条边是GLUE建立跨组学调控联系的重要来源。如果你用的物种不是人类或小鼠，公共数据库覆盖不全，特征图会稀疏很多，整合效果会打折扣。

3.3 模型训练与结果读取

特征注释完成后，构建feature graph并训练模型。核心流程可以用下面的伪代码表达，具体类名和参数以你安装版本为准：

# 3. 构建跨组学特征图 graph = scglue.data.merge( adatas=[rna, atac], keys=["rna", "atac"], on="genes", how="inner" # 取共有基因作为桥接关系 ) # 4. 建立模型并训练 model = scglue.models.SCGLUEModel(graph=graph, latent_dim=64) model.fit( adatas=[rna, atac], graph=graph, max_epochs=200, batch_size=128, seed=0 ) # 5. 导出整合后的嵌入 cells = model.encode([rna, atac]) combined = scglue.data.merge(cells, keys=["rna", "atac"]) combined.X = combined.obsm["X_glue"] sc.pp.neighbors(combined, use_rep="X_glue") sc.tl.umap(combined)

这段代码只是主线示意，千万不要盲复制。我见过很多人在版本更新后拿着旧教程的类名硬跑，结果各种AttributeError。我的习惯是跑之前先help(scglue.models)、help(scglue.data)把接口过一遍，花五分钟比报错后查一小时的效率高。

训练完成后，combined.obsm["X_glue"]就是整合后的细胞低维表示，可以接scanpy的聚类、UMAP、差异分析流程。也可以把combined导出h5ad作为下游GRN分析、细胞类型注释的输入。

3.4 我的训练参数心得

GLUE的超参数里，我最常调的是三个：latent_dim、图约束强度、max_epochs。latent_dim默认值一般是50或100，数据量大、组学数量多的时候建议稍微调大一点，给模型足够的容量去容纳复杂的特征关系；但如果只有RNA+ATAC两个组学且样本量不大，太大会过拟合，太小又表达不开关键差异。

图约束强度是GLUE的命门。约束太弱，跨组学相当于“各跑各的”，ATAC和RNA在UMAP上会形成两个“大陆”；约束太强，则会把不该拉近的细胞类型也搅在一起，看起来整合了，生物学也毁了。我自己的做法是：先用默认参数跑一版，看轮廓；如果ATAC和RNA明显分群，就把图约束权重往上调；如果分群很干净但已知marker在两种组学里对不上，说明约束过强了，往回退。论文里的默认权重是一个起点，不是终点。

max_epochs建议先跑一个短版，比如10个epoch，看一眼loss曲线稳定程度再决定。我踩过的最典型的坑是：一上来跑200 epoch，跑到一半发现学习率太大，loss发散，白白浪费几小时。先短训调试，再全量训练，这是我最想强调的经验。

4. 整合之后能做什么：调控推断与应用落地

4.1 跨组学协同聚类与标记基因

GLUE整合完成后最直接的价值是跨组学细胞类型对齐。以前RNA和ATAC各自聚类，然后靠人工比对marker去猜两组结果的对应关系；整合之后，两种组学的细胞进的是同一个UMAP，同一个细胞类型不管来自RNA还是ATAC都聚在一起。这一步对多组学细胞图谱项目特别有用。

实战中我一般会做几个检查：第一，确认整合后的cluster里RNA细胞和ATAC细胞的比例没有极端偏斜；第二，抽几个已知的谱系marker基因，看它在RNA模态的细胞群中和ATAC模态的peak活性是否一致；第三，用差异分析找出每个cluster的marker基因和差异可及性peak，从两个层面解释这个cluster的生物学身份。GLUE整合做得好的话，这两套结果通常是自洽的，比如一个T cell cluster，RNA里CD3D高，ATAC里CD3D附近的调控元件开放度也高。

4.2 TF-增强子-靶基因的调控推断

GLUE不能直接给你一张GRN，但它能把调控推断这件事做得顺畅很多。原因是整合后的数据天然包含了TF-motif-peak-gene这条链式信息：特征图里有TF和peak的关系，有peak和gene的关系，整合后细胞嵌入和特征嵌入又处在同一个空间，于是我们可以把“某细胞类型中TF活性高、某peak开放、某靶基因表达上调”这几个事件关联起来。

我的流程通常是：在整合后的对象上分别跑RNA模态差异表达和ATAC模态差异可及性，然后在显著差异peak里做motif富集，找到候选TF。接下来回到GLUE的特征图中，看这些peak是否和候选TF的靶基因有边连接。如果有，就形成了一个很有说服力的调控链路：TF在细胞类型A中结合增强子区域，该增强子开放度上调，靶基因表达随之上升。这比单纯在RNA数据里算TF和靶基因表达相关要可靠，因为多了一个染色质层面的证据。

4.3 参考映射与新数据投放

GLUE训练好的模型可以当成一个参考图谱来用。以后来了一批新的ATAC数据，不用重新和RNA一起训练，直接用训好的模型把新数据的细胞映射到原有嵌入空间里，实现“参考转录组+查询染色质”的映射模式。

这个功能对临床样本或大规模队列特别有价值。比如你已经有了一套完整的健康人免疫系统RNA+ATAC图谱，后续拿到病人的ATAC数据，可以快速映射到图谱中，看到病人细胞在哪些细胞类型上偏离了正常状态。需要注意的一点是：查询数据的峰注释、基因注释必须和训练时一致，否则特征对不上，映射结果基本不可信。

5. 常见问题与排查技巧实录

5.1 训练报错与版本坑

scglue和scanpy、numpy、pytorch的版本兼容是个老大难。我自己遇到最多的报错无非几类：AttributeError是接口变了，KeyError是特征名对不上，CUDA out of memory是显存不够。这里分享一个排查思路：先在CPU上用最小数据集跑一遍，验证代码逻辑无错，再切到GPU跑全量。这样能把“代码问题”和“资源问题”分开，省很多时间。

5.2 整合效果差：过度混淆还是清高过头

整合效果差通常分两种。第一种是UMAP上RNA和ATAC各占一坨，完全没有融合。这种情况大概率是feature graph太稀疏，peak和gene之间的边太少，或者motif注释缺失导致TF-peak边根本没建起来。还有一种可能是图约束权重太低。我的排查路径是：先看feature graph里的边数够不够，再检查图约束损失是否在下降，最后一步才是调权重。

第二种是整合得“过头”，细胞类型完全糊在一起，连已知的T细胞、B细胞marker都分辨不出来。这往往是图约束太强，把不同细胞类型的真实差异也当作技术差异抹平了。遇到这种情况我会先降图约束，再检查批次校正强度。对抗性损失太强也会导致过度混淆，因为判别器把不同细胞类型也识别成了需要消除的“批次”。

5.3 显存不足与运行时间优化

峰值矩阵动辄几十万列，显存压力非常大。我的几个实用招数：一是事先把低质量峰过滤掉，保留全基因组范围内top 5万个可变峰就够大多数分析用了；二是把batch_size调小，显存不够时从128改到64往往立竿见影；三是在模型支持的情况下用混合精度训练；四是实在不行就换CPU跑但把max_epochs压到200以内，小数据量也能接受。

时间方面，RNA+ATAC各一万个细胞，50000个peak，在单卡V100上大约跑2到3小时，这个量级完全可以接受。如果数据量到十万细胞级别，建议先在几千个细胞上做参数调试，再全量训练，避免参数还没调好就白烧一晚上GPU。

6. 选型建议：什么场景值得上GLUE

6.1 场景化对比

工具选型不需要赶时髦，关键是看你的数据和问题是否匹配。我把常见场景拆一下：

GLUE尤其适合“两个组学没有天然的配对关系”的项目。比如公共数据库里RNA数据是一批样本，ATAC数据是另一批独立样本，这种情况下CCA和WNN都很难派上用场，而GLUE通过特征图桥接可以正常工作。

6.2 我的个人判断

如果你的项目只是“同一个multiome数据做个聚类注释”，GLUE的收益没那么大，用Seurat WNN可能更快更省事。但如果你的目标是构建跨样本、跨组学的整合图谱，或者想从ATAC+RNA联合数据里挖调控机制，GLUE的feature graph思路是绕不开的核心资产。我甚至觉得GLUE最大的价值不是那个整合嵌入，而是它逼着你去认真整理基因注释、motif注释、peak-gene关系这些先验知识。这堆信息整理清楚之后，下游无论跑什么分析都是加分项。

最后再分享一点我的操作习惯

GLUE跑完之后，不管UMAP看起来多干净，我都会做一个固定动作：抽5到10个已知的谱系marker，逐个看它们在RNA模态的表达和ATAC模态的可及性，确认两者在对应细胞类型上真的“对齐”了。这一步听起来简单，却是很多人偷懒跳过的地方。技术指标再好，生物学对不上也是白搭。另外，feature graph的构建质量几乎决定了GLUE的上限，基因命名不一致、基因组版本混乱、motif数据库选错，都会让整合效果大打折扣。我这几年的体会是：花半天时间把数据和注释整理干净，比调一周参数都管用。这大概是GLUE教给我最重要的一课。