ARO: Aligned Representation learning for multi-Omics data

📄 arXiv: 2610.06443v1 📥 PDF

作者: Amogh Singh, Yash Shah, Chiara D'Ercoli, Arash Mehrjou, Patrick Schwab, Timothy Jones, Pietro Liò

分类: cs.LG, cs.AI

发布日期: 2026-10-05

备注: Proceedings of the ICML 2026 3rd Workshop on Multi-modal Foundation Models and Large Language Models for Life Sciences, Seoul, Korea

💡 一句话要点

提出ARO以解决多组学数据缺失和不匹配问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多组学分析 模态重建 癌症分类 潜在表示学习 计算生物学

📋 核心要点

  1. 现有方法在多组学分析中面临高成本和数据缺失的问题，限制了全面的分子特征捕捉。
  2. ARO模型通过学习多组学癌症数据的有意义表示，能够有效重建缺失模态，适应不完整数据环境。
  3. 实验结果表明，ARO在未掩盖设置下的均方误差为0.15，且其潜在嵌入在癌症分类任务中表现出色。

📝 摘要（中文）

功能分子检测的高成本以及计算生物学中缺失模态和不匹配样本的普遍存在，给全面的多组学分析带来了重大障碍。本文提出了一种模型，能够从多组学癌症数据中学习有意义的表示，支持缺失和不匹配模态的重建。与日益复杂的大型模型（如基础模型）不同，ARO优先考虑在有限或不完整数据环境中的实际应用。ARO在未掩盖设置下，能够以0.15的均方误差（MSE）最佳重建缺失模态，其学习的潜在嵌入支持下游癌症分类任务。研究表明，将多种分子层作为一个整体系统进行分析，提供了一种可靠且经济高效的方法，减少了对大规模实验测试的依赖，同时支持在有限数据环境中的多组学探索。

🔬 方法详解

问题定义：本文旨在解决多组学数据中缺失模态和不匹配样本的问题。现有方法往往依赖于大规模实验，导致高成本和数据不足的挑战。

核心思路：ARO模型通过学习多组学数据的潜在表示，优先考虑在有限数据环境中的实际应用，能够有效重建缺失模态。

技术框架：ARO的整体架构包括数据预处理、模态重建和下游任务支持三个主要模块。首先对多组学数据进行预处理，然后通过学习潜在表示进行模态重建，最后将重建结果应用于癌症分类任务。

关键创新：ARO的主要创新在于其在有限数据环境下的有效性，区别于传统的大型基础模型，强调实用性和可操作性。

关键设计：模型采用了特定的损失函数以优化模态重建效果，并设计了适合多组学数据特征的网络结构，以确保学习到的潜在嵌入具有较好的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，ARO模型在未掩盖设置下实现了0.15的均方误差（MSE），显著优于传统方法。这表明ARO在重建缺失模态方面具有较强的能力，并且其学习的潜在嵌入在下游癌症分类任务中表现出色，展示了其实际应用价值。

🎯 应用场景

该研究在癌症研究和个性化医疗领域具有广泛的应用潜力。通过有效整合多组学数据，ARO可以帮助研究人员更好地理解癌症的分子机制，并推动精准医疗的发展。未来，ARO也可能扩展到其他生物医学领域，促进多组学数据的综合分析与应用。

📄 摘要（原文）

The high cost of functional molecular assays, and prevalence of missing modalities and unmatched samples in computational biology, create significant barriers to comprehensive multi-omic profiling, essential for capturing and reasoning over molecules, cells, tissues, and organisms. This work proposes a model that learns meaningful representations from multi-omics cancer data supporting the reconstruction of missing and unpaired modalities. Contrary to increasingly complex, larger models, e.g. Foundation Models (FMs), ARO prioritizes practical applicability in limited or incomplete data settings. ARO optimally reconstructs missing modalities (MSE of $0.15$ on the validation and test data in the Unmasked settings), with its learned latent embeddings enabling a downstream cancer classification task. Our findings indicate that analyzing diverse molecular layers as a single integrated system offers a reliable and cost-efficient approach, reducing dependence on large-scale experimental testing, while still supporting multi-omic exploration in limited data settings.