scPMMI：不依赖高变特征筛选的单细胞多组学预训练模型

研究团队提出 scPMMI，一个用于单细胞多组学数据整合分析的预训练多模态模型。该模型按基因组坐标把特征分组为 patch，每个细胞可处理数万个特征，从而降低对高变特征筛选等先验特征选择的依赖，保留更完整的生物学信息。结果表明，scPMMI 通过联合建模多组学数据学到具有生物学一致性的细胞表征；经迁移学习后，可适配多组学整合、细胞类型注释、蛋白丰度预测、转录组增强和轨迹重建等多种下游任务，并取得更优表现。研究指出，现有方法多依赖任务特异性训练和高变特征选择，可能妨碍跨数据集的知识迁移并丢弃有生物学意义的信号。