故事:从空间转录学中学习细胞命运景观,使用最佳的运输方式
Geert-Jan Huizing1, Jules Samaran1, Daniele Capocefalo1
1Institut Pasteur, Université Paris Cité, CNRS UMR 3738, Machine Learning for Integrative Genomics Group, Paris, France.
Nature methods
|November 3, 2025
概括
我们介绍了STORIES,这是一种用于分析空间转录学数据随时间推移的新型计算方法. 这种方法增强了对动态生物过程中的细胞命运轨迹和空间组织的理解.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 发育生物学 发展生物学
背景情况:
- 空间转录学彻底改变了组织组织的研究.
- 从时空数据推断细胞命运轨迹是一个关键目标.
- 现有的计算方法与空间解析的转录组数据作斗争.
研究的目的:
- 开发一种新的计算方法来分析时空转录数据.
- 用空间信息改进细胞命运轨迹的推断.
- 为了解决空间转录学中的当前渐变流学习方法的局限性.
主要方法:
- 建议 STORIES,一种扩展最佳运输的方法,以学习空间知情潜力.
- 使用瓦斯斯坦梯度流程学习框架.
- 与使用大型立体空间时间地图集的现有方法进行基准测试.
主要成果:
- 与现有方法相比,STORIES显示出更高的空间连贯性.
- 已成功应用于axolotl神经再生和小鼠质生成.
- 已知标记物 (Nptx1,Aldh1l1) 和假定的驱动因素的基因趋势.
结论:
- STORIES提供了一种强大的新工具,用于使用空间转录学分析动态生物过程.
- 该方法增强了对组织空间组织和细胞分化的理解.
- 能够在复杂的生物系统中发现新的基因标记物和驱动因素.
