Summary#
DECODE 是一项面向多组学 bulk 数据细胞组成解析的深度学习去卷积框架。论文关注的核心问题是：如何从组织水平的转录组、蛋白组和代谢组数据中，统一、稳健地推断细胞类型和细胞状态丰度。传统去卷积方法多为单一组学设计，难以跨数据类型、平台和队列泛化；DECODE 则试图提供一个可迁移的通用框架，将多组学队列数据扩展到细胞分辨率层面。
中文题名：DECODE：基于深度学习的各种组学数据的通用反卷积框架。
中文摘要：去卷积算法能够从组织水平数据中估计细胞类型丰度，从而支持大规模队列的系统性细胞分析。然而，多数去卷积算法专门针对单一组学数据设计，这限制了它们在来自不同队列的多种组学数据中的泛化性和可扩展性。本文提出 DECODE，这是一个适用于细胞类型和细胞状态的通用去卷积框架，可应用于转录组、蛋白组和代谢组数据，并能在细胞层面无缝整合多样化的多组学组织数据集。DECODE 填补了代谢组去卷积方面的空白，并且在不同组学数据中，跨供体、疾病条件、健康状态、数据集和测量平台均显著优于当前先进方法。此外，DECODE 在更接近真实应用的场景中表现出较高鲁棒性，即使参考单细胞数据不完整，也能准确去卷积已知细胞类型。DECODE 将成为一种强有力工具，用于将多组学队列数据全面扩展到细胞水平。
Key Findings#
- DECODE 提出了一种统一的深度学习去卷积框架，可同时面向转录组、蛋白组和代谢组 bulk 数据估计细胞类型或细胞状态丰度。
- 该方法的重点不是只优化某一种数据类型，而是强调跨组学、跨供体、跨疾病状态、跨健康组织、跨数据集和跨实验平台的泛化能力。
- DECODE 填补了代谢组去卷积的方法空缺，使代谢组队列数据也可以被解释到细胞组成层面。
- 在参考单细胞数据不完整的情况下，DECODE 仍能较准确地识别和估计已知细胞类型，说明其更接近真实应用场景。
- 论文的主要意义在于为大规模多组学队列研究提供一个统一的细胞分辨率解释工具，帮助减少不同组学数据之间的方法壁垒。
Methodology#
DECODE 利用单细胞参考数据学习细胞类型或细胞状态的特征，并将这些参考信息迁移到组织水平的 bulk 多组学数据中进行丰度估计。其设计目标是让同一框架可以适配 transcriptomics、proteomics 和 metabolomics，而不是为每种组学单独开发模型。论文通过多种数据集、疾病与健康状态、不同供体和测量平台对模型进行评估，以验证其泛化能力和鲁棒性。
从方法学角度看，这篇文章值得关注的地方包括：
- 将去卷积任务从传统转录组扩展到蛋白组和代谢组；
- 同时处理 cell type 与 cell state 层面的组成推断；
- 强调真实场景中的参考缺失问题，而不是只在理想完整参考条件下评估模型；
- 将多组学整合的单位下沉到细胞层面，为队列级分析提供更精细的解释维度。
My Notes#
这篇文献适合归入“多组学整合 / 生信方法 / 去卷积 / 单细胞参考驱动分析”方向。它的核心价值在于提供了一个跨组学通用的细胞组成推断框架，尤其适合用于解释大队列 bulk omics 数据中的细胞来源差异。对于肿瘤微环境、免疫浸润、复杂组织异质性、疾病状态比较以及多组学队列整合分析，DECODE 都可能具有较高参考价值。
后续阅读时可重点关注：
- DECODE 的输入数据格式和对参考单细胞数据的要求；
- 模型如何在不同组学之间建立可迁移表示；
- 与 CIBERSORTx、MuSiC、BisqueRNA 等经典转录组去卷积方法的差异；
- 代谢组去卷积的验证策略是否足够可靠；
- 在真实疾病队列中的生物学发现是否具有可解释性和可复现性。
References#
Zhao, T., Liu, R., Sun, Y., Wang, B., Zhang, L., Chen, Q., Luo, R., Yuan, Z., Wang, G., Cheng, L., & Wang, Y. (2026). DECODE: Deep learning-based common deconvolution framework for various omics data. Nature Methods, 23(3), 596-608. https://doi.org/10.1038/s41592-026-03007-y
Written by LLM-for-Zotero.