《SCIENCE ADVANCES》：Learning stochastic dynamics and cell-fate landscapes from single-cell snapshots via optimal transport
编辑推荐：
摘要：基因表达的时空动态性和随机性对细胞命运决定至关重要，然而整合跨多个时间点的快照组学数据仍是一项重大挑战。研究人员提出了DiffusionOT，一种动态机器学习框架，通过纳入随机效应，从多时间点单细胞转录组数据中推断细胞轨迹。DiffusionOT将随机微
摘要：基因表达的时空动态性和随机性对细胞命运决定至关重要，然而整合跨多个时间点的快照组学数据仍是一项重大挑战。研究人员提出了DiffusionOT，一种动态机器学习框架，通过纳入随机效应，从多时间点单细胞转录组数据中推断细胞轨迹。DiffusionOT将随机微分方程转化为常微分方程，利用最优传输和神经网络求解高维景观模型。通过对数据中随机力的无监督学习，DiffusionOT能够稳健地推断细胞状态转变背后的随机动力学。该框架包含一个用于谱系追踪的随机轨迹分析模块，以及一个用于计算机模拟基因敲除和过表达实验的基因扰动模块。在模拟数据集和四个真实世界数据集（包括一个空间Stereo-seq数据集）上的基准测试表明，DiffusionOT在推断状态转变速度、细胞轨迹、群体增长、基因调控网络和细胞命运景观方面具有准确性和高效性。
论文解读：DiffusionOT：从单细胞快照数据推断随机动力学与细胞命运景观
一、研究背景与问题
单细胞转录组学的发展为揭示发育和疾病过程中的细胞动态提供了前所未有的机遇。然而，单个时间点的快照数据丢失了时序信息，传统方法如拟时间排序、RNA速率等虽能推断部分动态特征，但往往需要先验知识确定分化起点和终点。时间序列快照数据虽然包含时序信息，但测序实验的破坏性导致多个时间点的数据无法配对，这带来两大挑战：一是如何连接这些未配对的快照并稳健推断连续动态行为和谱系追踪；二是在推断过程中如何纳入随机性。现有基于最优传输的方法如Waddington-OT、TrajectoryNet、PRESCIENT、TIGON等，要么忽略噪声、要么假设恒定噪声水平，难以同时估计驱动力、增长率和噪声强度。因此，亟需一种能够从数据中无监督学习随机性并联合推断漂移、扩散和增长的统一框架。
二、研究内容与结论
研究人员提出了DiffusionOT，该框架将动态非平衡最优传输问题扩展为正则化非平衡最优传输问题。其关键创新在于通过数据驱动、无监督的方式估计扩散系数，从而直接量化系统随机性。通过将随机微分方程转化为更稳定的常微分方程形式，DiffusionOT利用神经网络参数化速度、增长和分数函数，并通过神经ODE进行优化。该框架支持多种下游分析：推断细胞速度和轨迹、估计细胞增长率、重建能量景观、进行随机轨迹分析以预测细胞命运和追溯祖先，以及模拟基因扰动实验。在模拟数据和四个真实数据集上的验证表明，DiffusionOT在速度推断、轨迹预测、增长率估计和基因调控网络识别方面均优于现有方法。
三、关键技术方法
DiffusionOT的核心方法包括：（1）将原始SDE通过变量替换转化为ODE，提高计算稳定性；（2）利用维度约简定理将高维积分转化为路径积分，降低计算复杂度；（3）通过得分匹配和流匹配分别训练分数函数和速度/增长参数；（4）使用基于样本方差的统计量估计扩散系数；（5）采用两阶段训练策略（预训练和统一训练）加速收敛；（6）下游分析中，通过雅可比矩阵推断GRN，通过SDE正反向过程进行随机轨迹分析和谱系追溯。样本队列来源包括EMT肺癌模型、小鼠造血分化、斑马鱼感觉毛细胞再生以及小鼠胚胎空间Stereo-seq数据。
四、研究结果
1. 模拟数据验证：在MISA模型上，DiffusionOT在速度估计、轨迹推断、增长率预测和GRN重建方面均表现出最低误差，且在不同噪声水平下保持稳定。各向异性噪声实验表明，中等各向异性下拓扑推断仍可靠，但权重精度随噪声增加而下降。
2. EMT数据验证：DiffusionOT准确重建了上皮-间质转化过程中的状态转变，并通过随机轨迹分析揭示了概率性分化命运（60%M态、29%pEMT、11%MET）。基因扰动分析正确预测了VIM促进EMT、Notch3抑制EMT等功能，与实验一致。
3. 小鼠造血多岔路识别：DiffusionOT正确识别了五个连续分支事件，而TIGON在稀疏采样区域出现方向错误。STA分析预测了单核细胞、嗜碱性粒细胞和中性粒细胞的分化比例。Perturbation分析确认Irf8驱动单核细胞分化，Cebpa驱动红细胞分化。
4. 高维斑马鱼毛细胞再生：在六维潜在空间中，DiffusionOT准确推断从支持细胞到毛细胞的轨迹。反向STA追溯了毛细胞的祖细胞来源（66%SC1、23%SC0、11%PC），与原始研究一致。基因扰动表明myo6b促进毛细胞形成，hey2促进支持细胞形成。
5. 空间Stereo-seq小鼠胚胎数据：DiffusionOT从纯转录组数据重建了胚胎发育动力学，推断轨迹与已知空间组织结构一致。生长率分析显示E13.5时存在增殖峰值。Perturbation分析揭示Sox9参与脑和结缔组织发育，Twist1影响神经嵴细胞命运决定。
五、讨论与结论
DiffusionOT通过无监督学习扩散系数，突破了现有方法假设恒定噪声的限制，显著增强了对测量噪声和数据稀疏性的鲁棒性。与静态耦合方法相比，DiffusionOT提供了连续、平滑的动态轨迹，支持未观测中间态预测和下游分析，尽管计算成本较高。未来研究方向包括：整合流形学习以更好地保留高维结构，扩展各向异性噪声处理，以及结合多组学数据揭示跨模态调控机制。总之，DiffusionOT不仅提高了轨迹推断的鲁棒性和准确性，还提供了可解释的细胞转变可视化和全面的下游分析工具，并可推广到图像生成、强化学习和跨语言对齐等领域。
