scMINA：配对scRNA-scATAC多组学整合与调控优先化的可解释流程

NAR genomics and bioinformatics · 2026-11-10 · 期刊论文

• 一句话结论：材料提示，scMINA 可作为配对单细胞多组学数据的模块化可解释分析流程，用于多模态整合、技术协变量校正与调控特征优先化；其效应方向为流程可用性与解析能力，强度属方法学展示，尚不足以下临床或因果结论。
• 研究设计与做法：研究设计为方法学工作流开发与示例数据应用，非对照试验；材料未报告样本量、分组、干预与对照及随访时长。示例数据为 Seattle Alzheimer's Disease Brain Cell Atlas 的单细胞多组学数据。
• 主要结果：主要结果为定性描述：流程稳健解析出主要胶质细胞群体，并识别与阿尔茨海默病病理相关的调控特征；材料未报告效应量、置信区间、p 值或具体细胞数等数字。
• 机制或解释：作者解释为：配对 scRNA-seq 与 scATAC-seq 分析受模态特异技术变异、整合复杂度与下游调控推断可解释性有限所困；scMINA 通过整合模块与基于可解释人工智能的归因策略应对上述问题。
• 局限与边界：局限与边界：材料未报告人群构成、中心数量、随访时长与利益冲突；示例仅限阿尔茨海默病脑组织数据，向其他疾病与组织的可推广性未评估；缺乏与既有工具的定量基准比较。
• 可否落地：可否落地：对科研而言，证据支持其作为配对多组学整合与调控候选优先化的实用流程；对临床决策而言提示有限，不足以下结论。需外部数据验证与基准比较后方可评估通用性。

🔗 打开原文

Zhang S, Hu H, Wang X 等

本文摘自《每日前沿研究简报 · 2026-11-13》「AI 医学影像与临床决策」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。