从使用CASCAT的空间转录组学推断因果轨迹
Yingying Yu1,2, Wan Nie1, Qianqian Zhang1,3
1Department of Computer Science, City University of Hong Kong, 83 Tat Chee Ave, Kowloon Tong, 999077, Hong Kong.
Nucleic acids research
|August 19, 2025
概括
我们开发了CASCAT,这是一个新的因果模型,用于从空间转录组学数据中推断细胞分化轨迹. CASCAT准确地模拟细胞状态动态,并预测药物反应,推进计算生物学和药物发现.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 系统生物学 系统生物学
背景情况:
- 空间轨迹推断对于理解细胞分化和组织动态至关重要.
- 当前的方法往往依赖于空间接近,忽视了细胞状态转换的马科维特征.
- 由于马尔科夫等价性,从高维,非线性数据推断独特的轨迹存在挑战.
研究的目的:
- 介绍CASCAT,一个树状结构因果模型,集成马科维特征,用于独特的细胞分化轨迹推断.
- 解决处理复杂生物数据的现有方法的局限性.
主要方法:
- 开发了CASCAT,一种新的树状结构因果模型.
- 将马科维特征整合到因果推理框架中.
- 应用CASCAT分析模拟和真实单细胞RNA测序 (scRNA-seq) 和空间转录组学数据集.
主要成果:
- CASCAT的性能优于六种最先进的scRNA-seq方法和三种领先的空间轨迹推断方法.
- 准确地确定了细胞成熟轨迹,并揭示了小鼠内嗅球中的Wnt信号通路.
- 与RNA速度方法相比,在口腔状细胞癌中,药物反应预测精度提高了6.8%.
结论:
- CASCAT为推断独特的细胞分化轨迹提供了一个强大的框架.
- 在准确性和生物洞察力方面,与现有方法相比,显著改进.
- 提供了推进计算机辅助药物发现和理解复杂生物系统的潜力.
