Monod：通过将随机转录动态模型拟合到单细胞测序数据中，实现基于模型的发现与整合

单细胞RNA测序分析中，针对大数据、噪声及复杂性，现有方法侧重降噪和降维。本文提出基于物理模型的替代方法，利用数据随机性、规模及多模态特性，区分生物学与技术因素，揭示转录调控机制。通过Python包Monod整合新生与成熟RNA计数，利用多模态变异识别调控差异，支持机制假设比较，实现跨技术平台分析，减少不透明预处理。

摘要

单细胞RNA测序分析旨在揭示细胞多样性并理解细胞功能背后的转录机制。这些数据集规模庞大、噪声较多且结构复杂。目前的分析方法侧重于去除噪声和降维处理，以应对这些挑战并提取生物学信息。我们提出了一种不同的、基于物理原理的方法，利用这些数据的随机性、多样性和多模态特性，明确区分其生物学和技术层面的特征，同时揭示潜在的调控过程。通过Python软件包Monod，我们展示了如何将大多数已发表数据集中存在的新生RNA和成熟RNA计数结果有效地整合到生物物理学转录模型中。通过分析这些数据的多模态变化，我们可以识别出仅通过平均基因表达变化无法发现的转录调控现象，定量比较基因调控的机制假说，在统一框架内分析来自不同技术的转录数据，并尽量减少使用不透明或具有扭曲性的归一化和转换技术。