跟着Theis Lab学单细胞: MuData-多模态数据好帮手

· 8 min read · Tutorials

跟着Theis Lab学单细胞: MuData-多模态数据好帮手

跟着Theis Lab学单细胞: MuData-多模态数据好帮手

单细胞最佳实践

MuData操作指南

本章导读 SECTION PREVIEW

1. 了解多模态数据的特点与存储需求

2. 安装MuData，掌握多模态数据的结构

3. 学习MuData的基础操作和读写方式

本节对应原书 4.4 Advanced: Using MuData to store multimodal data

在之前的教程中，我们学习了如何使用AnnData处理单模态数据（如单细胞RNA测序数据）。随着实验技术的发展，多模态测序技术如CITE-Seq可以同时测量细胞的RNA和表面蛋白表达，一次实验获得多种组学数据，大大提高了实验效率。

然而，这些多模态数据需要特殊的数据结构来存储和管理。AnnData主要设计用于单模态数据，对于多模态数据，我们需要使用MuData（多模态数据结构）。

MuData概览。Bredikhin et al., 2022MuData概览。Bredikhin et al., 2022

安装MuData

MuData可以通过PyPI或Conda安装，二选一：

pip install mudata
# 或者
conda install -c conda-forge mudata

4.4.2 初始化MuData对象

MuData的核心设计思想是将多个AnnData对象（每个代表一种模态的数据）组织在一起，同时提供存储跨模态注释信息的能力。

从结构上看，MuData包含一个字典（dict，顾名思义，就是一组成对出现的数据），其中键（key）是模态名称 ，值（value）是对应的AnnData对象。此外，MuData还具有类似于AnnData的属性，如.obs（样本注释）、.obsm（多维样本注释）等，用于存储全局的多模态信息。

让我们简单看看MuData是如何工作的：

import mudata as md

创建一些模拟数据：

import numpy as np
import anndata as ad

# 创建一些模拟数据
n, d, k = 1000, 100, 10  # n=样本数, d=特征数, k=潜在维度

# 生成随机数据
z = np.random.default_generator().normal(
    loc=np.arange(k), scale=np.arange(k) * 2, size=(n, k)
)
w = np.random.default_generator().normal(size=(d, k))
y = np.dot(z, w.T)  # 形状: (1000, 100)

创建两个AnnData对象，代表两种模态：

# 创建第一个模态的AnnData
adata = ad.AnnData(y)
adata.obs_names = [f"obs_{i+1}"for i inrange(n)]  # 样本名称
adata.var_names = [f"var_{j+1}"for j inrange(d)]  # 特征名称

# 创建第二个模态的AnnData
d2 = 50# 第二个模态有50个特征
w2 = np.random.default_generator().normal(size=(d2, k))
y2 = np.dot(z, w2.T)  # 形状: (1000, 50)

adata2 = ad.AnnData(y2)
adata2.obs_names = [f"obs_{i+1}"for i inrange(n)]  # 样本名称（与第一个模态相同）
adata2.var_names = [f"var2_{j+1}"for j inrange(d2)]  # 特征名称

将这两个AnnData对象包装进一个MuData对象中：

# 创建MuData对象，命名第一个模态为"A"，第二个为"B"
mdata = md.MuData({"A": adata, "B": adata2})

# 看看MuData对象的样子
print(mdata)
# 输出:
# MuData object with n_obs × n_vars = 1000 × 150
#   2 modalities
#     A:    1000 x 100
#     B:    1000 x 50

可以看到，这个MuData对象包含了1000个样本和150个特征（100+50），这些特征 (feature) 分布在两个模态中。

这里的模态A和模态B可以理解为同一批样本的两种不同测量数据。例如，在CITE-seq数据中，模态A代表RNA测序数据，模态B代表表面蛋白测量数据。两个模态具有相同的样本（细胞），但测量的特征（基因或蛋白）不同。

4.4.3 MuData的属性

MuData对象有很多属性，让我们来看看最常用的几个：

  1. 1. 模态访问 ：通过.mod属性或直接使用方括号访问各个模态
# 列出所有模态的名称
print(list(mdata.mod.keys()))  # 输出: ['A', 'B']

# 访问模态A
print(mdata.mod["A"])  # 方法1
print(mdata["A"])      # 方法2（简写形式）
  1. 2. 形状信息 ：MuData的shape是各模态的综合
print(mdata.shape)    # 输出: (1000, 150)
print(mdata.n_obs)    # 输出: 1000（样本数）
print(mdata.n_vars)   # 输出: 150（特征总数）

# 查看各个模态的形状
print([adata.shape for adata in mdata.mod.values()])
# 输出: [(1000, 100), (1000, 50)]
  1. 3. 更新MuData ：如果修改了原始的AnnData对象，需要更新MuData
# 修改模态B的特征名称
adata2.var_names = ["var_ad2_" + e.split("_")[1] for e in adata2.var_names]

# 查看MuData中的特征名称（尚未更新）
print("更新前的特征名称: ...", ", ".join(mdata.var_names[-3:]))

# 更新MuData
mdata.update()

# 再次查看特征名称（已更新）
print("更新后的特征名称: ...", ", ".join(mdata.var_names[-3:]))

注意⚠️ ：MuData存储的是对原始AnnData对象的引用，而不是副本。这意味着如果你修改了原始的AnnData对象，这些修改也会反映到MuData中。

# 向原始的adata添加信息
adata.uns["随便写点啥"] = {"这是": "测试数据"}

# 通过MuData访问该信息
print(mdata.mod["A"].uns["随便写点啥"])  # 输出: {'这是': '测试数据'}

4.4.4 变量映射

当创建MuData对象时，会自动生成样本与模态之间以及特征与模态之间的映射关系。在我们的例子中，所有样本在两个模态中都是相同的，但特征是不同的。

# 检查样本映射是否完整（所有值都是True）
print(np.sum(mdata.obsm["A"]) == np.sum(mdata.obsm["B"]) == n)  # 输出: True

# 查看特征映射（对模态A，前100个是True，后50个是False）
print(mdata.varm["A"][:5], "...", mdata.varm["A"][-5:])

4.4.5 MuData视图

与AnnData类似，对MuData对象进行切片会创建原始数据的视图（view），而不是复制数据：

# 创建前100个样本和前10个特征的视图
view = mdata[:100, :10]
print(view.is_view)        # 输出: True
print(view["A"].is_view)   # 输出: True

如果需要对数据进行修改，应该创建一个副本（copy）：

# 创建副本
mdata_sub = view.copy()
print(mdata_sub.is_view)  # 输出: False

4.4.6 共同样本

理想情况下，MuData的所有模态都包含相同的样本集合，但现实世界中经常会有数据缺失。MuData的设计考虑到了这种情况，它允许不同模态有不同的样本集合。你可以使用muon.pp.intersect_obs()等工具处理缺失数据。

4.4.7 MuData的读写操作

MuData对象可以序列化为基于HDF5的.h5mu文件，每个模态都存储在/mod组下：

# 写入文件
mdata.write("my_mudata.h5mu")

# 读取文件（backed=True表示数据留在磁盘上，不全部加载到内存）
mdata_r = md.read("my_mudata.h5mu", backed=True)
print(mdata_r)

如果原始对象是backed的，那么在创建副本时需要提供文件名：

mdata_sub = mdata_r.copy("mdata_sub.h5mu")
print(mdata_sub.is_view)   # 输出: False
print(mdata_sub.isbacked)  # 输出: True

4.4.8 多模态分析方法

当你的MuData对象准备好后，就可以使用多模态分析方法来处理数据了。最简单的方法是将多个模态的矩阵拼接起来，然后进行降维等操作。

例如，我们可以通过水平拼接两个模态的数据矩阵，然后进行主成分分析（PCA）：

# 将两个模态的矩阵拼接
x = np.hstack([mdata.mod["A"].X, mdata.mod["B"].X])
print(x.shape)  # 输出: (1000, 150)

# 定义一个简单的PCA函数
defsimple_pca(mdata):
    from sklearn import decomposition

    # 水平拼接所有模态的数据矩阵
    x = np.hstack([m.X for m in mdata.mod.values()])

    # 执行PCA，保留2个主成分
    pca = decomposition.PCA(n_components=2)
    components = pca.fit_transform(x)

    # 将主成分存储在MuData的.obsm属性中
    mdata.obsm["X_pca"] = components

# 运行PCA
simple_pca(mdata)
print(mdata)

需要注意的是，在实际应用中，不同模态的特征通常具有不同的生成机制和分布特性，直接拼接可能不是最优的整合策略。对于组学数据，我们通常需要使用专门的多组学整合方法。muon包提供了多种多模态整合算法，能够更有效地挖掘不同模态数据之间的关联信息。在后续教程中，我们将详细介绍这些方法。

后记

本期带大家详细了解了MuData对象的结构和基础操作，这些内容为后续的多模态数据分析奠定了基础。随着CITE-seq、ATAC-seq等多模态技术的发展，处理不同类型的组学数据已成为单细胞分析中的必备技能。MuData通过将多个AnnData对象有机地组织在一起，解决了多模态数据的存储和分析问题。

值得注意的是，与AnnData类似，MuData也支持"视图"和"副本"机制，这使得它能够高效地处理大规模数据。通过直接与磁盘上的文件建立连接，MuData可以减少内存占用，加快数据处理速度。这一特性对于处理越来越大的单细胞多组学数据集至关重要。

简单回顾一下：

  1. 1. MuData是AnnData的扩展，专门用于存储和处理多模态数据
  2. 2. 一个MuData对象包含多个AnnData对象（每个代表一种模态）
  3. 3. MuData不仅存储各个模态的数据，还可以存储跨模态的注释信息
  4. 4. 通过MuData，你可以轻松地进行单模态操作或多模态整合分析

在下一篇教程中，我们将深入探讨如何使用muon包进行多模态数据分析。敬请期待！本章英文原文、扩展阅读，以及用到的示例数据、完整代码，可以在后台回复scbp04获取。

----------

单细胞领域大牛编写的最强硬核单细胞教程来啦！想要追更学习笔记，请给我们加一个小✨，这样最新的推送才会显示在主页：

Single Cell Tutorial