TIVelo：基于轨迹推断的RNA速度估计新方法揭示细胞发育动态

本研究针对现有RNA速度估计方法依赖常微分方程(ODE)假设、难以捕捉复杂转录动态的局限性，开发了TIVelo算法。该研究通过整合轨迹推断(TI)和线性树模型，首次实现了无ODE假设的RNA速度估计，在16个真实数据集上验证了其优于6种基准方法的性能。TIVelo通过计算基因特异性定向分数(orientation score)确定细胞簇级速度方向，进而指导单细胞RNA速度估计，有效解决了多速率动力学基因(MURK genes)导致的发育轨迹误判问题，为细胞分化、疾病进展等研究提供了更精准的动态分析工具。

　　

在单细胞生物学领域，RNA速度分析已成为解析细胞状态转变的关键技术。传统方法如velocyto和scVelo依赖常微分方程(ODE)模型，假设基因转录过程遵循恒定速率参数，这导致其对复杂转录动态（如多速率动力学基因MURK genes）的解析存在局限。更棘手的是，当不同基因的ODE拟合结果出现方向矛盾时，现有方法难以保证速度估计的一致性，可能产生与预期发育轨迹完全相反的误导性结论。

香港中文大学（The Chinese University of Hong Kong）的研究团队在《Nature Communications》发表的研究中，开发了名为TIVelo的创新算法。该方法突破性地将轨迹推断(TI)与RNA速度分析相结合，通过三阶段流程——主路径选择、方向推断和速度估计，实现了不依赖ODE假设的RNA速度精准预测。研究团队在16个真实数据集上的验证表明，TIVelo不仅能准确识别造血、神经发育等经典谱系，在肠类器官、细胞周期数据集等复杂场景中也展现出显著优势。

关键技术方法包括：1) 基于PAGA构建细胞簇图并进行主路径选择；2) 利用扩散伪时间(diffusion pseudotime)排序细胞后，通过线性树模型计算基因特异性定向分数；3) 根据簇级方向构建定向最近邻(dNN)网络指导单细胞速度估计。研究特别使用了含MURK基因的小鼠原肠形成(erythroid)数据集、肠类器官数据集和FUCCI细胞周期数据集作为关键验证。

结果

TIVelo工作流程概述

TIVelo通过三步解决传统方法的不足：首先构建细胞簇图并选择包含最多细胞的主路径；随后基于u-s RNA表达的固有时序关系（未剪接RNA u总比剪接RNA s更早表达/下降）计算定向分数；最后根据簇级方向约束单细胞速度向量。如图1所示，该方法成功将方向推断与速度估计解耦，避免了基因间速度方向冲突。

与现有方法的比较

在小鼠原肠形成(erythroid)数据集中，scVelo对非MURK基因Mllt3的拟合准确（图2a），但对MURK基因Gclm的拟合因转录速率α突变产生完全相反的方向（图2b）。TIVelo则通过线性树分割发育阶段，使两类基因均获得正向定向分数（Mllt3:18.03; Gclm:13.93），保证了速度场的一致性（图2e）。

簇级方向指导单细胞速度估计

在齿状回数据集中，TIVelo准确识别了从神经前体细胞(nIPC)到颗粒细胞(Granule mature)的轨迹（图3a），而UniTVelo等出现成熟→未成熟细胞的逆向流动。关键基因Grin2b的定向分数(13.20)支持了正确方向（图3c），其u-s模式在神经发生阶段呈现诱导(u>s)，在成熟阶段转为抑制(u<>

多组学数据应用

在造血干细胞(HSPCs)多组学数据中，仅使用RNA模态的TIVelo在CBDir(基因空间)指标上全面超越整合ATAC的MultiVelo（图6d-e），准确描绘了HSC→髓系/红系/血小板的三向分化（图6c）。关键基因AZUI、KEL、VWF的速度向量分别指向对应谱系。

结论与意义

该研究突破了RNA速度分析对ODE假设的依赖，通过轨迹推断与线性树模型的创新结合，实现了三大进步：1) 有效处理MURK基因等复杂转录动态；2) 避免基因间速度方向冲突；3) 无需额外生物学模态即可获得优于多组学方法的结果。在十大数据集的系统评测中，TIVelo在CBDir、TransCosine等指标上全面领先（图7）。未来通过优化簇图拓扑处理和平滑算法，有望进一步拓展其在器官发育、疾病异质性等研究中的应用广度。