基于贝叶斯流形感知高斯过程的RNA速度不确定性量化方法

《Scientific Reports》：Bayesian Gaussian process inference of RNA velocity as a probabilistic vector field on single-cell manifolds

　　

摘要

RNA速度分析被广泛用于从单细胞转录组数据中推断细胞状态转变，通过估计基因表达的方向性变化。然而，尽管存在由测量噪声、细胞状态异质性和模糊转变引起的大量不确定性，大多数现有方法仅提供确定性的速度估计。本文提出了一种贝叶斯概率框架，将RNA速度建模为细胞流形低维表示上的连续潜向量场。通过高斯过程，我们的方法为每个细胞提供速度估计和原则性的不确定性量化。所提出的框架通过（图）流形感知核函数整合邻域结构，并通过稀疏变分高斯过程促进可扩展的推理。所提出的方法产生平滑、全局一致的速度场，同时提供经过校准的不确定性估计，反映局部数据密度和动力学模糊性。通过使用基准单细胞数据集，包括一个胰腺数据集（约3,700个细胞），我们证明不确定性是稳定的、可重现的，并且与生物学相关区域相关，如过渡细胞群体和谱系分歧点。此外，在数据子采样下不确定性增加，表明对有限数据的鲁棒性和对分布外区域的敏感性，从而支持可靠的细胞动力学下游分析。