《Advanced Science》：scTIDE: Deciphering Critical Transitions Through Cell-Perturbed Manifold Graphs and Optimal Transport Conditional Flow Matching
编辑推荐：
临界点（tipping point）标志着生物系统从一个稳定状态转变为另一个稳定状态的阈值或临界状态。解读临界转变（critical transition）及其相关信号分子对于阐明复杂生物过程以及实现及时干预以预防或推迟灾难性恶化至关重要。然而，现有的临界状态
临界点（tipping point）标志着生物系统从一个稳定状态转变为另一个稳定状态的阈值或临界状态。解读临界转变（critical transition）及其相关信号分子对于阐明复杂生物过程以及实现及时干预以预防或推迟灾难性恶化至关重要。然而，现有的临界状态检测方法主要依赖欧几里得空间（Euclidean-space）统计，这可能忽略分子间的非线性动力学行为和基于分布的模式，导致在高维、稀疏和嘈杂的单细胞数据中鲁棒性和性能有限。在本研究中，研究人员引入了单细胞通过分布嵌入识别临界点（single-cell Tipping-point Identification via Distributional Embedding，scTIDE），这是一个将流形基图（manifold-based graph）表示与最优传输条件流匹配（optimal-transport conditional flow matching，OT-CFM）相结合的框架，用于捕捉内在拓扑结构并在单细胞水平识别临界转变。具体而言，对于给定细胞，scTIDE通过OT-CFM量化参考流形图（reference manifold graph）导出的分布与细胞扰动流形图（cell-perturbed manifold graph）推断的扰动分布之间的分布差异，从而识别临界阶段和关键信号分子。该模型的可靠性和有效性通过合成模型和八个不同的单细胞数据集得到验证，其性能优于现有方法。此外，scTIDE揭示了未见细胞的可能临界转变，并可视化了复杂的生物学进程。
**论文解读：scTIDE——通过细胞扰动流形图与最优传输条件流匹配解读临界转变**
**研究背景与问题**
复杂生物过程（如疾病进展、胚胎发育）常表现为系统在多个稳定状态之间的突然转变，即临界转变（critical transition）。识别临界转变的早期预警信号对于理解机制、实现及时干预至关重要。然而，现有方法多基于欧几里得空间统计，难以捕捉高维、稀疏、嘈杂单细胞数据中分子间的非线性动力学行为及分布模式变化。具体问题包括：1）高维空间中的距离浓度效应降低欧几里得距离的判别力；2）欧几里得统计对单细胞数据稀疏性敏感；3）临界转变由非线性动力学驱动，欧几里得距离作为坐标线性聚合度量不适用于描述非线性依赖结构的变化。因此，需要一种能捕捉内在几何结构、鲁棒识别临界状态的新方法。
**研究内容与结论**
研究人员提出scTIDE框架，整合流形基图表示与最优传输条件流匹配（OT-CFM），在单细胞水平识别临界转变。通过合成模型和八个单细胞数据集（涵盖疾病进展：小鼠心肌梗死、小脑肿瘤细胞进展、小细胞肺癌神经内分泌转变；发育过程：鼠胰腺发育、肝脏发育、人胚胎干细胞分化、诱导多能干细胞分化、放射状胶质细胞增殖）验证，scTIDE在检测临界转变方面优于现有方法，并能揭示信号分子功能。该研究发表于《Advanced Science》。
**主要关键技术方法**
1. **扩散感知流形基图构建**：基于k-近邻图和个性化PageRank扩散过程，构建流形基图，并定义流形测地距离（manifold geodesic distance, MD）以捕捉分子间非线性几何关系。
2. **最优传输条件流匹配（OT-CFM）**：将参考分布与扰动分布之间的传输建模为条件概率路径，通过训练神经网络参数化速度场，无需模拟轨迹即可学习分布动态，并定义路径能量得分（path energy score, PES）量化传输所需的最小动态努力。
3. **样本队列来源**：八个公开单细胞数据集分别来自EMBL（E-MTAB-7895）、GEO（GSE118068、GSE149179、GSE132188、GSE171993、GSE75748、GSE107122）和PMCID（PMC5338498）。
**研究结果**
**2.1 基于流形的生物过程三态动力学观点**
通过将复杂生物过程视为非线性动力学系统，研究人员指出临界状态对应系统向分岔点靠近，动态收缩到低维中心流形。在单细胞数据中，这种受限变异性表现为高维空间中的低维流形结构，流形基图可近似中心流形动力学。DNB（动态网络生物标志物）理论表明，临界转变以网络水平动态重组织为特征，流形嵌入可捕捉非线性动态变化。
**2.2 scTIDE概述**
scTIDE采用扩散流形学习构建基因表达谱的流形基图，提取基因中心局部流形图，并基于OT-CFM量化参考与扰动分布之间的动态差异，定义PES。PES的显著升高作为临界转变的早期预警信号。scTIDE支持单细胞水平临界转变识别、未见细胞状态预测、PES降维与聚类。
**2.3 通过数值模拟验证scTIDE**
利用18节点人工调控网络模拟系统趋近临界点（p=0），scTIDE的PES在参数p=0处急剧上升，且DNB节点（节点1-7）的局部PES显著增加。噪声鲁棒性比较显示，scTIDE在高噪声下仍能稳定提供临界信号，优于其他方法（如sPGGM、GGOT、SLE、DNFE、M-DNB）。
**2.4 识别多种生物过程的临界转变**
在八个数据集中，scTIDE均检测到与实验观察一致的临界转变时间点。例如：小鼠心肌梗死进展中，PES在Day 3和Day 14显著升高，分别对应早期增殖期和成熟期关键重塑窗口；小细胞肺癌神经内分泌转变中，Day 11的PES峰值标志神经内分泌标志物消退。与HVG表达及欧几里得基PES对比，scTIDE信号更显著。与五种现有方法比较（表1），scTIDE在多数数据集上获得更低的P值（如SCLC: 2.07E-14, MMI: 2.33E-3和1.31E-18）和更高的CSD值，表明检测性能更强。
**2.5 基于PES的降维与聚类分析**
将PES矩阵中信号基因（局部PES前10%）用于t-SNE降维和五种聚类算法（层次聚类、DBSCAN、HDBSCAN、K-Medoids、K-means），与HVG表达矩阵对比，PES表示在MMI、CTC、SCLC、肝脏发育等数据集中产生更清晰的细胞类型/时间点分离，且调整兰德指数（ARI）更高，表明PES能更好捕捉细胞异质性和动态转变。
**2.6 信号基因功能角色分析**
通过PCA展示分布传输过程，在临界点附近分布变化剧烈。部分信号基因被鉴定为上游转录调控因子（如MMI、SCLC、肝脏发育数据）。KEGG富集分析显示信号基因显著富集于关键生物过程相关通路（如cAMP信号通路、Wnt通路）。GO分析进一步验证。基于信号基因PES谱训练的神经网络模型在预测未见细胞临界状态时，准确率和F1分数均优于HVG表达模型。
**2.7 细胞发育与分化的潜在信号分子机制**
以鼠胰腺发育为例，Monocle轨迹分析揭示Fev+细胞向内分泌细胞命运转变。GO富集显示信号基因参与肽激素分泌、胰岛素分泌等过程。GSVA分析表明，在细胞命运决定前，部分通路（如纺锤体组装检查点信号）上调，部分（如微管RhoA信号）下调。KEGG分析显示FoxO信号通路等关键调控轴，上游IGF1R和INS上调可能通过PI3K-AKT通路促进FOXO核排出，驱动终末分化。细胞间通讯分析提示MPZ通路介导Ngn3低/高EP细胞与Fev+细胞及Fev+与Epsilon细胞之间的相互作用，涉及接触依赖性粘附和形态重塑。
**总结与讨论**
scTIDE通过整合流形基图与OT-CFM，在单细胞水平有效识别临界转变和信号分子。其优势包括：1）通过细胞扰动流形图捕捉局部网络结构分布变化，而非仅坐标变异；2）结合流形图与OT-CFM提供基于传输的状态变化度量，适用于嘈杂高维数据；3）在单细胞水平操作，实现个性化临界状态表征；4）PES表示支持下游分析（未见细胞分类、降维、聚类）。未来方向包括：引入连续时间建模以更精细刻画渐变动态；结合基础模型框架学习可迁移流形表示。
**研究结论翻译**
scTIDE通过结合流形基图（manifold-based graph）与最优传输条件流匹配（optimal-transport conditional flow matching，OT-CFM），为解读复杂生物过程在单细胞水平上的临界转变（critical transition）并识别信号分子提供了一个新颖框架。该框架不仅增强了在高维、稀疏单细胞数据中的灵敏度和鲁棒性，还为复杂生物系统的非线性动力学演化提供了新见解。
