scUCAF：基于不确定性感知的单细胞多组学数据跨模态对齐与融合聚类算法

（编辑推荐）本研究提出scUCAF算法，通过负二项分布变分自编码器（VAE）处理单细胞多组学数据噪声，结合高置信度聚类伪标签引导的对比学习（contrastive learning）和动态不确定性门控融合机制，显著提升RNA-ATAC/ADT等多组学聚类精度，为肝癌等疾病的细胞类型注释和生物标志物发现提供新工具。

　　

Highlight

scUCAF首次将不确定性估计引入单细胞多组学分析，通过负二项分布变分自编码器（VAE）捕获基因表达计数特征，采用伪标签引导的对比学习策略确保跨组学特征一致性，并设计动态门控机制消除低质量数据干扰。

Materials and methods

scUCAF网络支持RNA-ADT和RNA-ATAC多组学数据输入，其数学表示为X^(m)∈R^n×d(m)。通过独立VAE网络提取各组学潜在特征z^(m)后，采用改进的对比学习方法增强特征对齐。

Benchmark and experimental settings

VAE编码层设置为(256, 64, 16)，融合后统一特征维度为16。预训练200轮后，选取前γ%最接近聚类中心的高置信度样本指导对比学习。

Discussion

当前框架在精度与效率间取得平衡，未来可探索基于熵的度量（Matzkin et al., 2025）或部分贝叶斯网络（Tai et al., 2024）等更系统的 uncertainty 量化方法。

Conclusion

scUCAF通过不确定性感知的跨组学融合架构，为单细胞多组学聚类提供了更鲁棒的解决方案，其动态门控机制和伪标签引导策略显著提升了肝癌等复杂疾病的细胞分型可靠性。