探索性轨迹推断揭示了慢性LCMV感染中CD8T细胞的融合系

科学领域:

• 计算生物学 计算生物学
• 免疫学 免疫学 免疫学
• 单细胞基因组学 单细胞基因组学

背景情况:

• 单细胞RNA测序 (scRNAseq) 可以重建动态的生物过程.
• 从scRNAseq数据推断轨迹通常是模两可的,因为数据噪声和复杂的拓学,如融合.
• RNA速度有助于定向推断,但与复杂的分化模式作斗争.

研究的目的:

• 引入和验证一种新的方法,即探索性轨迹推理,用于解决复杂的分化轨迹.
• 解决当前轨迹推断方法的局限性,特别是对收差异化的限制.
• 使用这种新方法,分析慢性感染期间的CD8T细胞分化.

主要方法:

• 开发了探索性轨迹推断,使用基于模拟的轨迹合集的无监督聚类.
• 在慢性淋巴细胞胆膜炎病毒 (LCMV) 感染期间,将该方法应用于CD8 T细胞的时间序列scRNAseq数据集.
• 通过采用转移实验验验证的计算预测.

主要成果:

• 基于模拟的轨迹推断确定了早期分支到枯竭和类似记忆的CD8T细胞系.
• 探索性轨迹推断揭示了从类似记忆状态到耗尽状态的融合差异化轨迹.
• 收养转移实验证实,预测的类似记忆的细胞分化成两个状态,支持融合拓.

结论:

• 探索性轨迹推断有效地解决了scRNAseq数据中复杂的,包括融合的,分化拓.
• 该方法提供了一种数据驱动的方法来推断差异化谱系,克服现有技术的局限性.
• 这种方法广泛适用于研究复杂的细胞命运决定的scRNAseq研究.