Integrating Dynamical Systems Modeling with Spatiotemporal scRNA-seq Data Analysis

📄 arXiv: 2503.11347v2 📥 PDF

作者: Zhenyi Zhang, Yuhao Sun, Qiangwei Peng, Tiejun Li, Peijie Zhou

分类: q-bio.QM, cs.LG, physics.bio-ph

发布日期: 2025-03-14 (更新: 2025-05-01)

期刊: Entropy-2025

DOI: 10.3390/e27050453

💡 一句话要点

综述：整合动力系统建模与时空单细胞RNA测序数据分析

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 单细胞RNA测序 空间转录组学 动力系统建模 细胞命运决定 时空动态

📋 核心要点

  1. 单细胞RNA测序技术虽能提供细胞状态快照，但缺乏对细胞动态过程的有效建模。
  2. 论文综述了结合时空单细胞RNA测序数据与动力系统建模的方法，用于重建细胞动态轨迹。
  3. 该综述讨论了马尔可夫链、随机微分方程、最优传输等多种动力系统建模方法。

📝 摘要（中文）

理解生物系统的动态特性对于解析细胞行为、发育过程和疾病进展至关重要。单细胞RNA测序(scRNA-seq)提供了基因表达的静态快照，为单个时间点的细胞状态提供了宝贵的见解。时间分辨的scRNA-seq、空间转录组学(ST)和时序空间转录组学(temporal-ST)的最新进展进一步革新了我们研究单个细胞时空动态的能力。这些技术与马尔可夫链、随机微分方程(SDEs)以及诸如最优传输和薛定谔桥等生成模型等计算框架相结合，能够重建动态细胞轨迹和细胞命运决定。本综述讨论了这些动力系统方法如何为从系统角度建模和推断细胞动力学提供新的机会。

🔬 方法详解

问题定义：现有单细胞RNA测序技术主要提供静态的基因表达谱，难以捕捉细胞随时间和空间变化的动态过程。传统的分析方法无法有效建模细胞命运决定、细胞状态转变等动态生物学现象。因此，如何利用时空单细胞RNA测序数据，结合动力系统建模方法，推断细胞动态轨迹和细胞命运是亟待解决的问题。

核心思路：论文的核心思路是将动力系统建模方法与时空单细胞RNA测序数据分析相结合。通过动力系统建模，可以描述细胞状态随时间和空间的变化规律，从而重建细胞动态轨迹，预测细胞命运。结合时空信息，可以更准确地推断细胞间的相互作用和调控关系。

技术框架：整体框架包括数据获取、数据预处理、动力系统建模和结果分析四个主要阶段。数据获取阶段利用时空单细胞RNA测序技术获得细胞的基因表达谱和空间位置信息。数据预处理阶段对原始数据进行质量控制、标准化和降维等处理。动力系统建模阶段选择合适的动力系统模型（如马尔可夫链、随机微分方程、最优传输等）对细胞动态过程进行建模。结果分析阶段对建模结果进行可视化和解释，推断细胞动态轨迹和细胞命运。

关键创新：该综述的关键创新在于整合了多种动力系统建模方法，并将其应用于时空单细胞RNA测序数据分析。与传统的静态分析方法相比，动力系统建模方法能够更全面地描述细胞动态过程，揭示细胞命运决定的机制。此外，该综述还强调了时空信息的重要性，认为结合时空信息可以更准确地推断细胞间的相互作用和调控关系。

关键设计：不同的动力系统模型适用于不同的生物学问题。例如，马尔可夫链适用于描述离散状态之间的转移，随机微分方程适用于描述连续状态的演化，最优传输适用于描述细胞群体之间的迁移。在选择动力系统模型时，需要根据具体的生物学问题和数据特点进行选择。此外，模型的参数设置也需要根据数据进行调整，以获得最佳的建模效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该综述总结了近年来动力系统建模在时空单细胞RNA测序数据分析中的应用进展，涵盖了马尔可夫链、随机微分方程、最优传输等多种建模方法。通过对这些方法的比较和分析，为研究者提供了选择合适建模方法的指导。此外，该综述还强调了时空信息的重要性，认为结合时空信息可以更准确地推断细胞间的相互作用和调控关系。

🎯 应用场景

该研究具有广泛的应用前景，可用于研究细胞分化、组织发育、疾病发生发展等生物学过程。例如，可以利用该方法研究肿瘤细胞的转移机制，预测肿瘤的生长和扩散趋势，为开发新的治疗方法提供理论依据。此外，该方法还可以用于研究干细胞的自我更新和分化机制，为再生医学提供新的思路。

📄 摘要（原文）

Understanding the dynamic nature of biological systems is fundamental to deciphering cellular behavior, developmental processes, and disease progression. Single-cell RNA sequencing (scRNA-seq) has provided static snapshots of gene expression, offering valuable insights into cellular states at a single time point. Recent advancements in temporally resolved scRNA-seq, spatial transcriptomics (ST), and time-series spatial transcriptomics (temporal-ST) have further revolutionized our ability to study the spatiotemporal dynamics of individual cells. These technologies, when combined with computational frameworks such as Markov chains, stochastic differential equations (SDEs), and generative models like optimal transport and Schrödinger bridges, enable the reconstruction of dynamic cellular trajectories and cell fate decisions. This review discusses how these dynamical system approaches offer new opportunities to model and infer cellular dynamics from a systematic perspective.