CLADES:用于揭示克隆细胞命运和分化动态的混合NeuralODE-Gillespie方法
Mingze Gao1, Melania Barile2,3,4, Shirom Chabra3,4
1School of Biomedical Sciences, The University of Hong Kong, Hong Kong SAR, China.
Nature communications
|September 1, 2025
概括
通过谱系追踪单细胞测序 (LT-scSeq) 来量化克隆特异化动力学. 这一框架揭示了异质干细胞克隆如何推动人口动态,为造血干细胞行为提供了洞察力.
科学领域:
- 计算生物学
- 干细胞生物学
- 基因组学
背景情况:
- 血统追踪单细胞测序 (LT-scSeq) 能够对细胞分化进行克隆分析.
- 克隆特异性的动力学限制了对干细胞对人口动态贡献的理解.
- 现有的条形码系统需要增强的分析框架来进行定量动态解释.
研究的目的:
- 从LT-scSeq数据开发一个计算框架 (CLADES) 来估计克隆和种群特异性动力学.
- 量化重建血统树并分析细胞分裂动态.
- 研究干细胞群体中异质细胞行为的起源.
主要方法:
- 使用基于NeuralODE的框架,其中包含一个随机模拟算法 (SSA).
- 综合差异性基因表达 (DEGs) 分析用于动态建模.
- 适用于新的和现有的Lineage And RNA RecoverY (LARRY) LT-scSeq数据集.
主要成果:
- CLADES准确地估计了克隆特异性和种群水平的差异化动力学.
- 成功重建了定量血统树,并总结了细胞分裂动态.
- 在造血干细胞和原始细胞中识别出不同的转录状态,驱动元克隆特异性行为.
结论:
- 在时间序列实验中,CLADES提供了一种可扩展和强大的方法来量化克隆特异化动力学.
- 该框架提高了LT-scSeq数据的解释性,以了解干细胞动态.
- 揭示了不同的转录状态是异质干细胞克隆行为的基础.
