科学网-VeloVGI：RNA流速精准估计方法-张俊鹏的博文

VeloVGI：RNA流速精准估计方法

2025-1-17 10:35

阅读：342

VeloVGI：RNA流速精准估计方法

单细胞RNA测序（scRNA-seq）是单细胞基因组学领域的一项前沿技术，能够在转录组水平上对单个细胞进行分析。然而，该领域的一个重大障碍在于从静态快照捕获动态过程，例如细胞类型转换。了解这些转变对于破译复杂生物学现象，如细胞分化和发育过程中的周期过程至关重要。

许多轨迹推断（trajectory inference，TI）方法已经在方法学层面发展起来。然而，这些方法有一定的局限性，因为它们只描述当前的快照，缺乏对过去和未来状态的预测。为了解决这个问题，最近在利用RNA流速进行轨迹推断方面取得了进展。该方法利用从新生到成熟mRNA剪接的动态变化，建立两者之间的比例关系来描述细胞内的动态趋势。通过关联细胞并反映它们之间的分化关系，RNA流速提供了对过去和未来状态的见解。结果显示，每个细胞都有一个矢量，其中矢量方向和长度分别表示分化方向和强度。简单地说，TI方法依赖于有监督的信息，比如分化初始点，来确定分化总体轨迹。另一方面，RNA流速法可以在不需要监督的情况下，在细胞水平上自主学习分化状态。现有方法大致可以分为两类：基于统计的机器学习方法和深度学习方法。在机器学习类别中，值得注意的方法包括velocyto、scVelo、CellRank和Dynamo。另一方面，在深度学习类别中，有像VeloAE、UnitVelo、DeepVelo、VeloVAE、Pyro-velocity和LatentVelo这样的方法。这些方法共同有助于我们对单细胞动力学的理解，并在表征细胞分化过程中发挥关键作用。

目前单细胞RNA测序（scRNA-seq）分析和细胞图谱研究通常涉及在不同实验条件和位置收集多个样本，旨在揭示更广泛的生物现象。时间序列样本分析对于理解细胞分化是有效的，但它引入了批次效应。当忽略批处理效应时，即使使用批处理校正技术进行预处理，现有RNA流速方法也可能产生容易出错的流速流。这一问题的出现是因为批次集成工具通常处理单个表达矩阵，而RNA流速量化工具为剪接和未剪接的mRNA表达提供单独的矩阵。单独纠正这些矩阵或将它们连接起来会破坏两种mRNA的相对比例，导致不准确结果。因此，迫切需要开发专门针对多批scRNA-seq数据集设计的RNA流速方法。

最近一项研究表明，预处理过程中的邻域构建过程显著影响最终的RNA流速结果。使用传统的k近邻方法，批效应的存在自然会导致同一批中更多的细胞-细胞邻居关系，而不同批次之间的邻居关系更少。为了解决这个问题，最近Huang等人从Waddington-OT方法中获得灵感，计算相邻批次的最优运输映射。此外，采用MNN（互近邻）算法来建立批次间邻居关系。此外，结合了变分自编码器（VAE）在去除批效应方面的有效性。在此概念的基础上，Huang等人引入了VeloVGI（图1），这是一种增强VeloVI编码器组件的方法，在微调的图结构上执行特征提取，以估计所有批次的RNA流速。此外，VeloVGI在模型训练期间结合了采样和聚合策略，以及归纳小批量方法GraphSAGE以减少计算开销。为了验证VeloVGI的有效性，作者们进行了一系列下游分析。在各种数据集的广泛测试结果显示，VeloVGI准确捕获特定局部区域内不同分化模式的能力。

图1 VeloVGI概述。a预处理中多批次网络和采样网络的图构造。b变分图自编码器（VGAE）结构和流速估计。c未采样细胞流速聚集。d多种生物学应用

在本研究中，虽然作者们在批次处理数据集上展示了VeloVGI比现有模型更好的性能，但需要注意的是，深度学习模型固有的复杂性限制了对结果进行深入解释的能力。近年来，深度学习模型的可解释性一直是一个突出的话题，并且仍然是未来发展的焦点。虽然将CBDir和ICVCoh指标修改为BCBDir和BICVCoh，但在批数据集上评估RNA流速指标还需要进一步探索。

此外，VeloVGI的图构建策略在不同条件下（如不同时间点和处理）的适用性值得进一步研究。VeloVGI还期望将这种图构建策略扩展到单细胞多组学数据的集成中，例如在相关的多组学数据中使用加权最近邻或推断RNA流速。

参考文献

[1] Huang Z, Guo X, Qin J, Gao L, Ju F, Zhao C, Yu L. Accurate RNA velocity estimation based on multibatch network reveals complex lineage in batch scRNA-seq data. BMC Biol. 2024 Dec 18;22(1):290. doi: 10.1186/s12915-024-02085-8.

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC