生信碱移

VeloCycle算法

VeloCycle：基于流形约束的RNA速度推断在细胞周期动态中的精准解析

今天给各位老铁们分享一篇于2024年10月31号发表在 Nature Methods [IF: 36.1] 的文章："Statistical inference with a manifold-constrained RNA velocity model uncovers cell cycle speed modulations"，利用流形约束的 RNA 速度模型进行统计推断，揭示细胞周期的速度调节规律。

▲ DOI: 10.1038/s41592-024-02471-8

摘要

这项研究介绍了一种新颖的RNA速度模型——VeloCycle，该模型基于流形约束的统计推断方法，旨在提高单细胞RNA测序数据中细胞周期速度变化的解析精度。与传统依赖启发式算法的RNA速度分析方法相比，VeloCycle采用贝叶斯框架，将RNA速度与流形估计结合，利用周期流形的基因调控动态更精细地推断细胞周期速度。通过实验数据和模拟验证，研究团队展示了VeloCycle在细胞周期分析中所表现出的高效性和准确性。

▲ 研究团队

Highlights

• RNA速度分析用于单细胞基因表达的动态推断，但传统模型不稳定并依赖启发式算法。

• VeloCycle模型整合了速度场和流形估计，在统计推断框架内解决了传统模型的不足。

• VeloCycle通过流形约束将RNA速度场与基因表达动态联系，特别适用于周期性生物过程（如细胞周期）。

• 模型通过与实时显微成像等实验验证，能够提供可靠的细胞周期速度估计，并适用于小规模数据集。

• VeloCycle在模拟与真实数据上展示了对周期性过程（例如细胞周期）的准确性，并提供对速度的统计显著性测试和不确定性分析。

研究结果

VeloCycle模型的构建

RNA速度分析用于从静态的单细胞RNA测序数据中重构细胞状态之间的时间关系，但传统方法缺乏动态一致性且易受启发式算法影响。VeloCycle模型在贝叶斯框架中定义了一个周期性流形上的速度场。通过流形学习，模型能够学习基因表达空间的几何结构，为每个细胞分配流形坐标，并确保RNA速度向量切线于基因表达流形。图1a展示了VeloCycle对比传统方法的优势：传统方法的速度方向不受限制，而VeloCycle约束速度向量沿着基因表达流形的切线方向，从而确保了动态一致性。通过这种方式，VeloCycle在单细胞基因表达动态推断中提供了统计上一致的框架。图1e则显示了通过学习流形坐标和速度场进行RNA速度估计的过程，其中速度学习模块调控参数以确保估计的RNA速度准确反映基因动态。

模型验证

在模拟数据的验证中，VeloCycle通过环形相关系数（如图2a所示）表现出与真实基因相位的高度一致性。此外，在不同的数据集规模下的鲁棒性测试表明，VeloCycle在较小数据集上仍然表现良好。图2d的热图展示了不同细胞和基因数量下的模型表现，表明模型对小样本量数据的鲁棒性。

实际数据中的应用

在实际数据中，VeloCycle应用于不同的单细胞RNA测序数据，并验证了其在预测细胞周期阶段的准确性。图3a的散点图显示了模型预测的相位与FACS分选的细胞周期阶段之间的一致性。此外，图3e、3f的散点图展示了基因的表达峰值和振幅，进一步说明了模型在不同基因集下的有效性。

不确定性与速度学习

VeloCycle通过MCMC采样扩展了模型的不确定性表征，发现相关参数间的不确定性存在关联。图4f展示了在不同条件下的不确定性差异，而通过SVI+LRMN变体的应用，模型的偏差得到显著减少，更好地符合真实数据的后验分布。

细胞跟踪与速度验证

通过时间序列显微成像数据验证了VeloCycle的速度推测与实际细胞分裂周期的匹配。图5b中的速度估计显示了细胞周期内速度的变化，尤其是在接近有丝分裂时速度达到最大。

总结与点评

VeloCycle模型的提出是对传统RNA速度分析方法的显著改进，特别是在精细的细胞周期速度估计和不确定性表征方面，其与现代生物信息学中广泛使用的深度学习方法（如autoencoder）对比，提供了更高的可解释性。此外，VeloCycle将流形和速度估计整合，符合系统生物学中对动态一致性的需求。其在细胞周期和基因调控动力学上的应用，与近年来的周期性基因表达研究相呼应，为疾病研究和细胞分化过程的动力学研究提供了新的视角。

简单分享到这里

欢迎各位老铁关注

小编将持续分享前沿最新文献