💡这项突破是什么?
近日，华东师范大学统计学院和统计交叉科学研究院明静思副教授和上海交通大学王涛教授以及美国耶鲁大学赵宏宇教授团队合作，开发了一种名为SuperMap的全新统计学习方法，能够直接从非配对数据中学习跨模态特征映射，为单细胞多模态数据的整合分析提供了突破性解决方案。研究成果于2026年2月6日以“Bridging unpaired single-cell multimodal data for integrative analyses with SuperMap”为题发表在国际顶级期刊《美国国家科学院院刊》（Proceedings of the National Academy of Sciences, PNAS）。
研究背景
单细胞测序技术的快速发展，使研究人员能够在单个细胞分辨率下测量多种生物模态信息，包括基因表达、染色质可及性、DNA甲基化以及蛋白质丰度等。这些技术为系统理解细胞状态、功能和调控机制提供了前所未有的多维视角。然而，受限于测序技术的破坏性特征，不同模态通常无法在同一细胞内测量。实际研究中，科研人员往往在多个同质生物样本上分别检测不同模态，从而产生大量非配对的多模态单细胞数据。在这类数据中，不同模态来源于不同细胞群，缺乏天然的跨模态锚点，导致传统依赖配对信息或共享特征的整合方法难以适用，严重制约了多模态单细胞数据的分析与解释。
方法创新
针对上述关键挑战，研究团队提出了统计学习方法SuperMap。该方法的核心创新在于引入了一种基于分布匹配思想的回归建模框架，能够在不依赖配对细胞的条件下，直接从非配对数据中学习不同模态之间的映射关系。在算法设计上，研究团队构建了一个具有良好可解释性的优化目标，并开发了基于交替方向乘子法的算法，从而在单细胞数据场景下实现稳定且高效的模型求解。通过学习跨模态映射，SuperMap能够实现不同模态间的信息对齐与整合。
性能验证与应用研究
研究团队通过大量基准测试系统评估了SuperMap的性能，并验证了其在多种场景下的鲁棒性。在对角整合任务中，SuperMap利用学习到的跨模态映射构建高质量锚点，显著提升了不同模态之间的对齐效果。此外，SuperMap在多种下游分析任务中也表现出优异性能，包括细胞身份识别，调控分析和轨迹推断等。
图 SuperMap方法概述
华东师范大学统计学院始终致力于推动统计学与生命科学、医学、数据科学等前沿领域的深度融合。此次明静思副教授的研究成果，正是在"统计+生物信息"交叉方向上取得的重要进展。未来，学院将继续支持更多高水平交叉研究，推动统计方法在复杂科学问题中的创新应用。
论文链接：
https://doi.org/10.1073/pnas.2505182123
