Nat.Mach.Intell.前沿：深度学习从单细胞转录组数据重建细胞生长和动态轨迹

原创 集智俱乐部 集智俱乐部

关键词：单细胞RNA测序，最优输运理论，神经微分方程，基因调控网络，细胞命运决定，复杂系统动力学建模

论文题目：Reconstructing growth and dynamic trajectories from single-cell transcriptomics data

论文来源：Nature Machine Intelligence

论文链接：https://www.nature.com/articles/s42256-023-00763-w

在细胞科学探究中，了解单个细胞随着时间推移如何生长、分化和变化，是揭示生命奥秘的关键。单细胞RNA测序（scRNA-seq）技术使科学家能够详细分析单个细胞的基因表达情况，从而揭示细胞在不同状态下的动态变化。然而，由于测序过程会破坏细胞，导致无法追踪同一细胞在不同时间点的变化，这给研究细胞的成长轨迹和动态过程带来了挑战。

为了解决这一难题，Nature Machine Intelligence 近期发表的一项研究介绍了一种名为TIGON（Trajectory Inference with Growth via Optimal transport and Neural network，通过最优输运和神经网络生长进行轨迹推断）的新方法，不仅为单细胞转录组数据的动态解析提供了全新的工具，也为深入理解细胞群落的动态变化开辟了新视角。

TIGON 将细胞的动态变化与群落增长整合于统一框架内，采用深度学习与最优输运（optimal transport）理论，精准重建细胞状态转变及增殖过程，并揭示驱动这些变化的基因调控机制。具体而言，首先基于 Wasserstein-Fisher-Rao（WFR）距离构建动态非平衡最优输运模型，并对其进行无量纲化处理，使其能够同时捕捉每个细胞在基因表达空间中的速度和生长率；其次，利用神经微分方程（Neural ODEs）解决动态非平衡最优输运问题，Neural ODEs 能高效模拟连续时间下的动态过程，适用于处理时间序列数据；最后，通过模型获得的细胞速度和生长信息，推断潜在的时间因果基因调控网络，并通过分析生长梯度，识别与细胞生长密切相关的关键基因。

TIGON 突破了传统单细胞动态追踪的瓶颈，提供了高鲁棒性和高准确性的细胞状态转变与增殖预测工具，推动了细胞发育和疾病机制研究的发展，该框架不仅适用于单细胞RNA测序数据，还具备广泛的应用前景，可扩展至其他类型的单细胞数据和复杂系统的动力学建模，对细胞命运的理解和刻画有重要意义。

图1. TIGON的示意图。

a.细胞谱系动态的示意图，包括细胞生长、转变和基因调控网络（GRNs）。b.连续的细胞动态由时间依赖的密度ρ(x,t)描述。时间序列单细胞RNA测序快照的输入在离散时间点生成密度ρ。c.密度ρ由涉及速度v和生长g的偏微分方程控制，这些量由两个神经网络建模。d,e.TIGON的输出和下游分析。d.左上角，速度图，每个点代表一个细胞，颜色表示采集时间，箭头的长度表示速度的大小。右上角，每个细胞的轨迹。左下角，选定细胞或细胞类型的基因调控矩阵。右下角，GRN，其中指向箭头（钝箭头）表示源基因对目标基因的正（负）调控，箭头的宽度表示调控强度。e.左侧，推断的生长值g用颜色表示。红色箭头表示g的梯度，其长度对应于大小。右侧，g的梯度决定了基因对生长变化的贡献。基于梯度最大的基因选择与生长相关的基因。

图2. TIGON在三基因模拟数据集上的表现

图3. TIGON 在谱系追踪数据集上的表现

图4. TIGON 在 EMT 单细胞RNA测序数据集(scRNA-seq )上的表现

图5. TIGON与轨迹推断或增长推断方法在单细胞RNA测序数据集(scRNA-seq )上的比较

王婷 | 编译

原标题：《Nat. Mach. Intell. 前沿：深度学习从单细胞转录组数据重建细胞生长和动态轨迹》

阅读原文