从静态快照获取动态信息

研究人员利用单细胞RNA测序（scRNA-seq）静态快照来研究细胞和基因随时间的变化。他们开发了TopicVelo，这是一种强大的新方法。该团队采用跨学科合作方法，结合了传统机器学习、计算生物学和化学的概念。传统的伪时间方法在连接细胞状态转换方面存在困难，而RNA速度方法则从动态上观察转录、剪接和mRNA降解的动力学。然而，这项技术仍处于早期阶段。

为了弥补这一差距，TopicVelo放弃了确定性模型，接受并从更困难的随机模型中获取见解，以反映生物学中不可避免的随机性。概率主题建模为UChicago团队提供了一个策略，它并非根据外部知识加以强加，而是从数据中推断出细胞和基因所涉及的过程。TopicVelo将这些过程分离并按主题进行组织，然后将主题权重应用到细胞上，以考虑每个细胞转录概要的哪些活动占比。通过将随机模型与主题模型相结合的结果令人惊叹。例如，TopicVelo能够重构先前需要特殊实验技术才能恢复的轨迹。