利用单细胞转录组学数据，通过生物物理神经常微分方程（Neural ODE）推断随机动力学过程

摘要

单细胞RNA测序技术极大地提升了我们分析细胞异质性和研究细胞命运机制的能力，但从静态数据中推断随机动态仍然是一个基本挑战。现有方法面临一个关键权衡：基于机制的模型会做出过于严格的假设，从而限制了生物学的真实性；而数据驱动的方法则为了更深入的机制探索而牺牲了数据的可解释性。在这里，我们介绍了一种名为DynNet的深度学习方法，它将神经常微分方程（Neural ODEs）与生物物理模型以及关于基因表达动态的先验知识相结合。DynNet能够学习基因调控系统的随机动态，从而预测细胞的命运。通过对合成数据的测试，证明了DynNet在推断稳定细胞状态、重建动态轨迹以及描述多稳态细胞命运转变方面的能力。利用肝细胞分化数据，DynNet展示了其推断发育轨迹和潜在细胞命运图谱的能力，揭示了不同细胞状态之间的稳定性和转变概率。当应用于上皮-间充质转化（EMT）数据时，DynNet进一步捕捉到了EMT过程中的关键基因调控机制和转变路径。