从单细胞转录组学数据重建生长和动态轨迹

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 系统生物学 系统生物学

背景情况:

• 时间序列单细胞RNA测序 (scRNA-seq) 提供了对细胞动态的洞察力.
• 由于测序的破坏性性质,将scRNA-seq快照跨时间连接起来具有挑战性.

研究的目的:

• 从scRNA-seq数据中重建动态细胞过程的新型算法.
• 同时推断细胞轨迹,人口增长和基因调控网络.

主要方法:

• 推出了TIGON,一个动态的,不平衡的最佳运输算法.
• 使用Wasserstein-Fisher-Rao (WFR) 距离的深度学习方法来实现高维的最佳运输.
• 在模拟和真实scRNA-seq数据集上评估TIGON.

主要成果:

• TIGON准确地预测了细胞状态的转变和人口的增长.
• 证明了将细胞群增长纳入时间推理的重要性.
• 展示了TIGON在未测量的时间点重建基因表达的能力.

结论:

• TIGON提供了一个强大的框架,用于使用scRNA-seq数据分析动态细胞过程.
• 该算法可以在时间基因调节网络和细胞间通信推断中实现先进的应用.