深度学习整合：让三种组学报告合成一份共享病历

可视化演示

展示自编码器(AE)、变分自编码器(VAE)与对比学习的编码-解码结构与训练过程，支持三种模型架构切换与潜在空间维度调节。

编码器结构

回到总编室。三位审稿人收到厚厚的原始报告时，第一反应都是：先写一份摘要，否则根本无法处理几万行的测序数据。这份摘要不能太长，但又必须保住关键信息。于是总编室定下了标准流程：编码器 负责把原文压缩成摘要，解码器 负责把摘要扩展回完整复述稿，而那份被压缩的摘要，就是所谓的潜在空间。摘要层往往只有几十个维度，而原始数据可能有数千甚至数万个维度，这就是“瓶颈”的由来。

在深度学习里，“原文”是一个高维向量 $x$（比如某患者的三万个基因表达量）。编码器是一个神经网络函数 $E$，把 $x$ 映射成低维向量 $z$；解码器是另一个网络 $D$，把 $z$ 尝试还原成输出 $\hat{x}$。如果 $\hat{x}$ 和 $x$ 非常接近，说明摘要 $z$ 确实保住了原始报告的核心内容。这个过程不需要任何人工标签，只需要让“复述稿”尽量逼近“原稿”，因此被称为自监督学习。

总编室的流程规范了：谁说摘要写得好，不仅要看摘要多简洁，还要看根据摘要能否把原文完整还原。潜在空间就是那位审稿人脑中形成的“临床画像”——比他口述的原文简短得多，却承载了最重要的事件链条。

自动编码器

审稿人们坐定之后，开始反反复复做同一件事：读原文 → 写摘要 → 凭摘要复述 → 对照原文改错 → 再写摘要。整个训练过程中没有任何外部评分老师，唯一衡量的标准就是复述稿与原文的差距。这种“自己出题、自己打分”的训练方式，就是自动编码器的自监督训练。

自动编码器的核心设计叫信息瓶颈：摘要的维度远小于输入维度。这个瓶颈迫使网络不能偷懒照抄，必须学会选择性地保留最有价值的信息。比如把一万个基因的表达量压缩到几十个维度，网络不得不发现“哪些基因总是一起变化”“哪个调控程序在驱动这个样本”。换句话说，潜在向量 $z$ 不再是原始特征的简单拷贝，而是一组重新组织的降维表达——这正是特征抽取的本质。

自动编码器像一个训练有素的审稿人，他写摘要的功夫越来越好，最终形成了一种稳定的“临床直觉”：看到几万个基因表达，直接在脑海里浮现出十余个关键调控模式的画像。这份画像就是宝贵的特征，可以交给后续任何科室使用。

变分编码器

有一天，总编室发现了一个问题：普通自动编码器给出的摘要是一个“点”——一个确定的向量。但如果数据本身有随机噪声，比如同一患者重复测两次，摘要会轻微抖动甚至失真。总编室希望审稿人不仅给出摘要，还说明“我对这条摘要多大把握”。于是他们把每次摘要都换成一个概率分布：审稿人给出“可能的摘要中心”和“不确定范围”。这就是变分编码器（VAE）的思路。

VAE 的关键设计是隐变量分布：编码器不再输出单个 $z$，而是输出均值 $\mu$ 和方差 $\sigma^2$，$z$ 从以它们为参数的正态分布中采样。这样模型学到的不再是某一条摘要，而是一个“摘要应该长什么样”的规律。为了让模型不至于把方差报到无穷大，KL 散度约束隐变量分布贴近标准正态先验。而重参数化技巧把采样写成 $z = \mu + \sigma \cdot \varepsilon$，使得随机部分可以绕开，梯度正常回传到编码器。整个 VAE 的损失函数由重构项和 KL 正则项组成。

VAE 式审稿人不再逐字背诵原文，而是学会了“这类患者报告的写作规律”。给他一段摘要的中间状态，他甚至能顺着规律补全出从未见过的细节——这种在隐空间里“编造合理故事”的能力，就是后续生成式分析（比如模拟疾病轨迹）的基础。

对比学习

总编室的三个审稿人各自都有自己的语言体系，但同一患者的三种报告必须指向同一诊断。怎么让他们的“术语表”对齐？总编室安排了一场交叉审稿：把同一患者的 RNA 摘要和蛋白摘要并排放在一起作为“正样本对”，把不同患者的不同组学摘要作为“负样本对”。审稿人必须把正样本对“拉近”，把负样本对“推远”。这套“拉近正对、推开负对”的训练方法，就是对比学习。

实现上，常见的 SimCLR 思想是：对每个样本构造两个视角（来自不同组学视图或不同数据增强），各自编码后做归一化，然后用余弦相似度衡量两个向量的夹角。对比损失使用 InfoNCE 形式：正对的相似度要在全部负对中“脱颖而出”。这里的难度由温度系数控制——温度越低，监督越苛刻，模型越关注难分的负样本。

交叉审稿会开得越认真，三位审稿人的术语体系就越整齐：RNA 语里的“增殖活跃”、甲基化语里的“启动子低甲基化”、蛋白语里的“通路激活”，最终都指向同一个概念位置。对比学习就是这个“互相校准”的过程，它奠定了跨组学对齐的根基。

跨组学整合

总编室的最终目标不是让三位审稿人各自写好摘要，而是把三份不同语言的摘要合并成一份结构化病历。这就需要搭建一个共享嵌入空间：RNA 编码器把基因表达压成 $z^{RNA}$，甲基化编码器把甲基化谱压成 $z^{met}$，蛋白编码器把蛋白量压成 $z^{prot}$，三个低维向量住在同一套坐标系统里，同一个患者的三份向量应该落在相近的位置。

实际操作中，整合模型一般同时优化三类目标：① 各组学的重构损失；② 配对样本的对齐损失，即同一患者不同组学视图的嵌入要尽量一致；③ 对比损失，让不同患者的嵌入有序分离。其中对齐损失典型地使用 L2 距离来约束配对嵌入。训练完成后，研究者对每个样本得到拼接的融合表征 $[z^{RNA}; z^{met}; z^{prot}]$，它比任何一种单组学向量都更完整。

三份语言各异但内容互补的报告，终于被整理成了同一份结构化档案。后续不管哪个科室来调用这份档案，都不需要重新翻原始测序文件——统一嵌入空间里的坐标，就是最浓缩、最对齐的“患者画像”。

生物医学应用

统一病历建好了，临床和科研科室开始排队使用。最典型的三类应用是：癌症亚型分型、药物敏感性预测和疾病诊断。在传统流程里，病理医生或算法工程师通常只看单个组学（比如只看基因表达），容易忽略表观遗传和蛋白层面的证据；而如今，所有组学信息都被整合成一份稳定的融合表征，下游只需要加一个轻量级分类器即可完成分子分型。

以癌症亚型为例：TCGA 公开数据库中包含同一批患者的 mRNA、甲基化、miRNA、蛋白等多个组学矩阵。研究者先用自编码器把每种矩阵压缩到低维，再用对比学习把这些压缩向量对齐到统一嵌入空间，最后在融合表征上训练分类器。由于嵌入空间同时考虑了多种生物学层面的证据，分型往往更稳健，也更容易发现以往单一组学无法察觉的罕见亚群。药物响应预测同理，细胞系的多组学特征被整合后输入回归模型，预测某种药物抑制肿瘤的半数抑制浓度，比单组学基线有更低的误差。这类任务的通用出口就是一个带有 softmax 的线性分类层。

病历终于投入使用。从总编室整理档案到各科室读取结论，整个过程环环相扣：AE 压缩信息、VAE 理解规律、对比学习对齐语义、整合空间统一分发。这正是深度学习整合在多组学与精准医疗中的真正价值——让每一种组学都发出声音，又让所有声音和谐成一曲。

AI 应用场景

Python 演示

import numpy as npimport torchimport torch.nn as nnimport torch.nn.functional as F  class IntegrateAE(nn.Module):    """跨两组学整合自动编码器：各自压缩 + 配对对齐。"""     def __init__(self, d_in=32, d_latent=6):        super().__init__()        self.enc_1 = nn.Sequential(            nn.Linear(d_in, 24), nn.ReLU(), nn.Linear(24, d_latent))        self.enc_2 = nn.Sequential(            nn.Linear(d_in, 24), nn.ReLU(), nn.Linear(24, d_latent))        self.dec_1 = nn.Sequential(            nn.Linear(d_latent, 24), nn.ReLU(), nn.Linear(24, d_in))        self.dec_2 = nn.Sequential(            nn.Linear(d_latent, 24), nn.ReLU(), nn.Linear(24, d_in))     def forward(self, x1, x2):        z1 = self.enc_1(x1)        z2 = self.enc_2(x2)        rec1 = self.dec_1(z1)        rec2 = self.dec_2(z2)        return z1, z2, rec1, rec2  def make_pairs(n=240, d=32, latent=6, seed=3):    """生成两组学数据：共享 latent 因子 + 各自独立噪声。"""    rng = np.random.RandomState(seed)    s = rng.randn(n, latent)    x1 = torch.Tensor(np.hstack([s, 0.3 * rng.randn(n, d - latent)]))    x2 = torch.Tensor(np.hstack([s, 0.3 * rng.randn(n, d - latent)]))    return x1, x2  if __name__ == '__main__':    x1, x2 = make_pairs()    model = IntegrateAE()    optim = torch.optim.Adam(model.parameters(), lr=1e-2)    for epoch in range(600):        z1, z2, rec1, rec2 = model(x1, x2)        loss_rec = F.mse_loss(rec1, x1) + F.mse_loss(rec2, x2)        loss_align = F.mse_loss(z1, z2)        loss = loss_rec + 0.5 * loss_align        optim.zero_grad()        loss.backward()        optim.step()        if epoch % 150 == 0:            print('epoch', epoch, 'loss', round(float(loss), 4))

1. self.enc_1 = nn.Sequential(...)为第一个组学视图（如 RNA）构建编码器，把 32 维输入压缩到 6 维潜在空间。
2. self.enc_2 = nn.Sequential(...)为第二个组学视图（如蛋白）构建结构相同的编码器，两个编码器参数不共享，保留各平台特有模式。
3. rec1 = self.dec_1(z1)解码器把潜在表示复原为原始特征，重构损失要求“摘要不丢信息”。
4. loss_align = F.mse_loss(z1, z2)配对对齐项，强制同一患者的两个组学视图在潜在空间中牵到同一位置。
5. loss = loss_rec + 0.5 * loss_align以 0.5 的权重折中两个目标，既保留各自组的重构能力，又完成跨组学对账。

常见误区

面试题