《Cell Systems》：Deep Lineage: Single-cell lineage tracing and fate inference using deep learning
编辑推荐：
单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）和谱系追踪技术的最新进展，为发育、肿瘤进展和疾病发生过程中基因表达的时序变化提供了宝贵见解。然而，目前可用于分析这些信息以理解多细胞动态的计算方法很少。研究人员介绍了
单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）和谱系追踪技术的最新进展，为发育、肿瘤进展和疾病发生过程中基因表达的时序变化提供了宝贵见解。然而，目前可用于分析这些信息以理解多细胞动态的计算方法很少。研究人员介绍了Deep Lineage，一种用于分析具有匹配谱系追踪数据的时间序列单细胞RNA测序的深度学习方法。该方法能准确预测克隆内不同时间点的早期细胞命运偏好（early cell fate bias）和基因表达谱，在命运预测准确性上超过了现有方法。研究人员进一步使用LineageSim（一种命运感知的谱系模拟器）验证了模型，证明其对条形码丢失（barcode dropout）和克隆错误识别（clone misidentification）等技术噪声具有稳健性。此外，研究人员将Deep Lineage应用于细胞重编程和造血过程中的计算机模拟扰动（in silico perturbations），以识别与细胞命运决定相关的关键基因和通路，并提出可用于实验验证的可测试扰动假设。
发育生物学致力于理解单细胞分裂并分化为不同组织类型细胞的过程。单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）可通过检测单个细胞在不同阶段的基因表达来研究发育图景，但其破坏性特点使其只能捕获发育系统的单时间点快照，难以追踪细胞谱系关系和随时间变化的细胞轨迹。轨迹推断方法虽能基于基因表达相似性预测细胞沿发育路径的顺序，但难以捕捉谱系分支和细胞可塑性等复杂性，且易受技术因素和噪声影响。基于CRISPR-Cas9基因组编辑的实验谱系追踪技术可记录细胞分裂事件，为研究细胞发育提供新途径；整合谱系与状态信息的计算方法虽能提高预测准确性，但准确的细胞命运前瞻性预测仍具挑战。为此，研究人员开发了Deep Lineage。
Deep Lineage是一种整合谱系追踪和scRNA-seq数据的深度学习模型，利用自编码器学习低维嵌入，并采用循环神经网络（long short-term memory, LSTM；双向LSTM，Bi-LSTM；门控循环单元，gated recurrent unit, GRU）建模细胞轨迹的时序依赖，从而预测轨迹中任意时间点的基因表达和细胞类型，包括从早期时间点预测未来细胞命运（即早期细胞命运偏好）。在模拟数据和真实数据上，Deep Lineage均取得优于现有方法的预测性能，并展现出对条形码丢失和克隆错误识别等技术噪声的稳健性。此外，该方法可识别细胞命运决定的关键基因和通路，产生可测试的计算机模拟扰动假设，为设计细胞重编程实验和潜在临床应用提供依据。
研究人员采用的主要关键技术方法包括：利用自编码器将高维scRNA-seq表达数据压缩为低维潜在表示；采用LSTM、Bi-LSTM或GRU循环网络进行基因表达回归（均方误差损失）和细胞命运分类（交叉熵损失）；使用LineageSim（一种命运感知的谱系模拟器）在已知真实命运下进行基准测试。样本队列包括小鼠造血数据（Weinreb等；GEO: GSE140802；130,887个细胞，25,289个基因，采样于第2、4、6天）和成纤维细胞向诱导内胚层祖细胞（induced endodermal progenitor, iEP）重编程数据（Biddy等；GEO: GSE99915；18,803个细胞，28,001个基因，六个表达时间点）。采用SHAP（Shapley加法解释）优先排序候选基因，并使用基因集富集分析（gene set enrichment analysis, GSEA）进行通路富集。
**模型概述**
Deep Lineage要求至少三个时间点的谱系追踪和scRNA-seq数据，以学习稳健的细胞轨迹模型。克隆内的细胞及其后代被视为相互关联的实体；自编码器嵌入捕获关键特征，循环网络支持细胞类型分类和基因表达回归。采用累积条形码比单条形码能显著提高预测准确率。
**Deep Lineage在模拟数据中准确预测基因表达和早期细胞命运偏好**
利用LineageSim生成4,106条轨迹（8,192个细胞，2,000个基因），仅用早期祖细胞t
0预测终末命运准确率为69.1%，加入t
1后升至85.2%，加入所有时间点达到99.8%。基因表达推断方面，未来预测（t
0+t
1→t
2）的Pearson相关系数r=0.86，中间预测（t
0+t
2→t
1）r=0.80。在条形码丢失率为50%时，t
0模型准确率仍为63.5%，t
0+t
1模型为78.3%；在克隆错误识别率为25%时，性能下降较小。表明Deep Lineage对中等技术噪声具有稳健性。
**Deep Lineage在小鼠造血中准确预测基因表达和早期细胞命运偏好**
对小鼠造血数据，模型预测第4天（中间）和第6天（未来）的基因表达与真实细胞的相关性均为R=0.81。仅用第2天基因表达预测第6天克隆命运准确率为76.8%，加入第4天数据后为78.5%，使用全部时间点达到99.2%。忽略谱系信息则准确率降至52%，凸显克隆结构的关键作用。与CoSpar（65%）、Super-OT（67%）、Waddington-OT（WOT，65%）和生成对抗网络最优传输（GAN-based OT，62%）相比，Deep Lineage准确率最高。
**Deep Lineage在细胞重编程中准确预测基因表达和早期细胞命运偏好**
在成纤维细胞向iEP重编程数据中，模型在不同时间点均能高保真预测基因表达（R
2=0.98）。用前四个时间点预测第28天重编程成功/失败结局的准确率达94.6%，优于CellRank。消融实验显示忽略克隆信息后准确率降至约50%。累积条形码（第0、3、13天）模型的准确率为91.2%，显著高于仅用第0天单条形码的72.9%。
**Deep Lineage识别候选驱动基因并提出细胞重编程的计算机模拟扰动假设**
通过SHAP分析，模型优先识别了已知重编程标记基因如Col1a1、Cryab、Apoa1、Sox11，以及间充质-上皮转换关键分子Cdh1（E-钙黏蛋白）和信号组分Il6st。GSEA富集到与系统发育、增殖和分化相关的通路。对重编程失败克隆在第15天同时扰动SHAP排名前10的基因后，模型预测其命运切换为成功重编程状态，所得扰动后第28天状态与真实成功细胞的相关性（0.803）远高于与失败细胞的相关性（0.399）。在造血数据中，扰动中性粒细胞命运的祖细胞可将其转向单核细胞，并识别出Gfi1、Elane、Mmp8等已知谱系决定因子。
讨论指出，Deep Lineage通过整合基因表达和克隆信息，优于仅基于表达的方法。三种循环架构中，Bi-LSTM准确率最高但计算成本高，LSTM接近Bi-LSTM且成本较低，GRU成本最低但牺牲少量准确率。模型预测的关键基因是假设生成性质，需结合专家知识进一步验证。与GEARS和scGen等静态扰动预测模型相比，Deep Lineage显式编码发育时间，能追踪扰动随分化阶段的级联效应。累积条形码提供更完整的谱系信息，可提高预测性能。研究结论：Deep Lineage能够准确预测克隆内不同时间点的基因表达和早期细胞命运偏差，识别与细胞命运决定相关的关键基因和通路，并提出可测试的计算机模拟扰动假设，从而为理解多细胞动态、设计细胞重编程实验和潜在临床应用提供有力工具。
