《Mapping transcriptomic vector fields of single cells》
- 报告论文题目:Mapping transcriptomic vector fields of single cells
- 出版时间:2022年2月1日
- 出版杂志:cell
- 报告主要内容:
本次报告首先以RNA velocity(图 1)的概念为基础讲述了论文中主要包含的四个部分。

图1 RNA速度公式
第一部分是从基因表达的生物物理模型出发,建立一套普适的用各种形式的单细胞测序数据估算RNA速度的方法。同时因为原始的基于剪接的RNA速度方法只是定性或半定量的给出了估算的相对值,并且对适用体系有很大限制。 所以本文引入了一套基于新的结合RNA代谢标记的单细胞基因组测序技术的RNA速度定义及计算方法,准确的估计全基因组RNA更替率,而且而且克服了传统的基于剪接的RNA速度的内在限制,以推断绝对速度。同时使用该RNA速度(图1)构建了速度向量场(图2),简单来说就是用RNA速度的变化表示干细胞分化的方向,从而速度向量场。

图2 构建速度向量场
第二部分是从离散的单细胞数据重构解析形式的连续的高维动力学方程(图3)。函数可以定义了一个向量场,但具体的函数形式很难从数据或生物文献中直接获得。数学上所有可能的相关函数组成了一个无穷维的函数空间(希尔伯特空间)。重构过程就是用机器学习的算法在函数空间中把能最大程度拟合数据的函数给挑出来。这里技术上技术上的一个挑战是高维大数据带来的计算困难。本论文采用了在图像处理领域发展提出的Sparse vector field consensus算法,避免了高维空间的复杂模型需要极大量数据来避免过拟合的问题。

图3 重构高维动力学方程流程
第三部分是从学得的向量场提取定量的生物机理信息(图4)。细胞转录向量场就类似于分子动力学模拟中的力场。如果单细胞数据足够精确完备,那么得到的向量场就会包含基因之间相互调控的定量信息。作者引入一系列微分几何量(雅可比矩阵、加速度、曲率、散度和旋度等)来提取向量场中隐含的生物信息。

图4 向量场提取生物信息
第四部分是根据重构的动力学方程做预测,指导进一步的实验研究,对控制细胞形态转化有很重要的医学价值。作者在此展示了可以通过寻找及分析向量场中最小作用量路径(图5 C,D)来准确预测血细胞不同形态之间转化的重组因子。具有解析形式的向量场允许在计算机上预测每个细胞中每个基因的表达响应和硅扰动后的细胞命运变化(图5 B)。

图5 根据动力学方程进行预测
综上,本文建立了一个分析转录动力学的通用框架,可以应用于许多生物系统。该工作突破了传统的生物信息学方法,在动力系统理论的框架下对分析单细胞生物大数据做了尝试,再结合RNA 代谢标记、谱系追踪以及遗传扰动等,可以了解复杂的细胞状态如何产生,并最终解决在任何细胞类型之间转换的最终目标。同时随着单细胞组学技术测量精度的进一步提高及更多理论及计算工具的应用,在这个框架下重建动力学方程将有更大的发展空间。
参与人:2030人工智能重大项目全体参与人员
汇报时间:2022年3月17日 13:30-16:00
报告人:曹博雯
导师:管仁初
