🧬 biology

CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment

CellBRIDGE 是一个新颖的框架，它通过将配体-受体介导的细胞间通信成本整合到最优传输中，增强了单细胞 RNA 测序中的轨迹推断，从而提高了细胞动力学重建的准确性，并实现了具有机制可解释性的计算机模拟扰动。

原作者： Silas Ruhrberg Estévez, Nicolas Huynh, Tennison Liu, Roderik M. Kortlever, Gerard I. Evan, David L. Bentley, Mihaela van der Schaar

发布于 2026-06-01

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Silas Ruhrberg Estévez, Nicolas Huynh, Tennison Liu, Roderik M. Kortlever, Gerard I. Evan, David L. Bentley, Mihaela van der Schaar

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你正试图理清一群人的生平故事，但你手里只有几张在不同时间拍摄的模糊快照。你无法观察任何一个人从一张照片移动到下一张的过程，因为在这个实验中，拍照会毁灭那个人（这就是单细胞 RNA 测序的工作方式：你必须杀死细胞才能读取它们的基因）。

你的目标是连点成线：“第一个照片里那个人是谁？他们去了哪里？他们走了什么样的路径？”

这就是 CellBRIDGE 要解决的挑战。以下是论文如何使用简单的类比来解释它的。

问题所在：“最小作用量”的误区

传统上，科学家们试图通过假设人们（细胞）在照片之间沿着最短、最平滑的路径移动来解决这个问题。如果一个人看起来与下一张照片中的某人有点像，他们可能就移动到了那里。这就像假设人群中的每个人都朝着目的地走直线一样。

缺陷： 这忽略了人们实际上是如何互动的。在真实的拥挤人群中，人们并不仅仅是随机行走；他们会互相交谈、互相推搡，或者跟随领导者。在生物学中，细胞通过被称为配体-受体对的化学“握手”进行交谈。一个细胞可能会发送一个信号（配体），告诉另一个细胞（拥有匹配的受体）去改变其行为。

如果你忽略了这些对话，你可能会连错人。你可能会认为细胞 A 仅仅因为看起来像而移动到了位置 B，但实际上，细胞 A 是被来自细胞 C 的信号“推”到了那里。

解决方案：CellBRIDGE（“对话地图”）

作者创建了一个名为 CellBRIDGE 的新工具。它不再仅仅观察两个细胞看起来有多相似（它们的“面孔”），它还会观察它们正在与谁交谈。

这就像尝试匹配两张不同舞会照片中的舞者：

旧方法（仅特征）： 你根据他们的装束来匹配舞者。“第一个照片里穿红西装的那个家伙，一定是第二个照片里穿红西装的那个家伙。”
CellBRIDGE： 你根据他们的装束以及他们正和谁牵手来匹配他们。“第一个照片里穿红西装的那个家伙当时正和穿蓝裙子的女孩牵手。在第二个照片里，穿红西装的那个家伙仍然和穿蓝裙子的女孩牵手。因此，他们确定是同一对。”

CellBRIDGE 为每一张快照构建了一张“对话地图”。它计算出哪些细胞正在向哪些其他细胞发送信号。然后，当它尝试将一个时间点的细胞与下一个时间点的细胞进行匹配时，它会确保对话模式保持一致。如果细胞 A 在第一张照片中正在与细胞 B 交谈，该工具就会寻找第二个照片中仍处于与新细胞 A 和新细胞 B 交谈状态的匹配项。

它是如何工作的（“桥梁”）

论文使用了一个被称为最优传输（Optimal Transport）的数学概念（这基本上是在寻找将一堆沙子从一个地方移动到另一个地方最有效率的方法）。

“沙子”： 细胞。
“代价”： 将一个细胞从一种状态移动到另一种状态所需的努力程度。
“桥梁”： CellBRIDGE 在代价中增加了一个新规则。它规定：“如果移动一个细胞时其外观相似，代价很低；但是，如果你破坏了他们的对话网络，代价就会变得非常高（即匹配很差）。”

通过平衡这两个规则（看起来相似 + 保持对话完整），该工具构建了一个更准确的“桥梁”来连接这些快照。

他们的发现

研究人员在既有模拟数据（他们已知答案）和真实生物数据（如肺癌和免疫细胞）上测试了该工具。

更好的地图： 当使用 CellBRIDGE 时，细胞之间的连接比仅观察外观时要准确得多。
模拟预测未来（In Silico）： 因为该工具理解通信的机制（谁在和谁说话），所以他们可以运行一个“如果……会怎样”的模拟。
- 实验： 他们告诉计算机：“假设细胞 A 停止向细胞 B 发送其信号。”
- 结果： 计算机预测细胞会改变它们的路径。
- 验证： 当他们在真实的肺癌数据中观察时，在模拟中关闭特定的信号通路（如 EGFR 或 ALK 通路）会导致细胞改变方向，这与关于阻断这些通路的药物如何发挥作用的现实医学知识相吻合。

核心结论

CellBRIDGE 是一种重建细胞生命故事的新方法。它意识到细胞并非孤立地进化；它们是通过相互交谈来进行进化的。通过倾听这些对话，我们可以更清晰地描绘疾病（如癌症）是如何发展以及细胞如何对治疗做出反应的。

重要提示： 论文特别提到，当“对话模式”在所研究的时间段内保持相对稳定时，该方法效果最好。如果细胞变化得太快，以至于它们的整个社交网络瞬间崩溃并重建（例如在长间隔下的极快速胚胎发育过程中），该工具可能会感到困惑，就像如果道路每秒都在消失又重新出现，地图将会失效一样。

技术摘要：CellBRIDGE

问题陈述

从群体快照中推断细胞动力学是单细胞 RNA 测序（scRNA-seq）领域的一个基本挑战。由于 scRNA-seq 测量具有破坏性，单个细胞无法在时间维度上被追踪，这使得轨迹推断成为一个欠定问题。虽然最优传输（Optimal Transport, OT）为跨时间点的分布对齐提供了一个原则性的框架，但标准方法仅依赖于基因表达距离。这些方法隐式地将细胞视为独立的粒子，忽略了由配体-受体（LR）信号传导介导的结构化细胞间通信（CCI），而这种通信已知是驱动发育和疾病的关键。因此，OT 中代价函数的选择成为了生成具有生物学意义的耦合（couplings）的瓶颈。

方法论：CellBRIDGE

作者引入了 CellBRIDGE（基于细胞的正则化交互驱动基因表达），这是一个通过源自 LR 活动的有向、类型化交互代价来增强基于特征的 OT 的框架。

1. 交互感知代价构建

由于在解离的 scRNA-seq 中无法获得空间坐标，CellBRIDGE 在每个快照内构建代理通信网络：

预处理： 基因表达计数经过归一化，并使用 Hill 饱和函数映射到 $[0, 1]$ ，以捕捉受体占有率效应。
评分： 对于一组 $P$ 个配体-受体对，构建一个有向、非负的 CCI 张量 $G \in \mathbb{R}^{n \times n \times P}_{\geq 0}$ 。发送者细胞 $i$ 与接收者细胞 $j$ 针对配体-受体对 $p$ 的交互得分计算为 $i$ 中配体表达量与 $j$ 中受体表达量的乘积。
结构： 这产生了一个多通道、有向的细胞间通信表示。

2. 融合 Gromov–Wasserstein (FGW) 公式

CellBRIDGE 将对齐问题建模为一个融合 Gromov–Wasserstein (FGW) 优化问题。它寻求一个耦合 $\Gamma$ ，以最小化两个项的加权和：

特征代价 ( $F$ )： 基因表达空间中的标准传输代价（例如，平方欧几里得距离），强制执行转录状态的平滑演变。
结构代价 ( $S$ )： 一个衡量源细胞对与目标细胞对之间有向、多通道交互剖面不匹配程度的失真项。

其目标函数为：
$\min_{\Gamma \in \Pi(a,b)} (1-\alpha) \langle \Gamma, C \rangle_F + \alpha \sum_{i,k,j,l} \phi(g^{(0)}_{i \to k}, g^{(1)}_{j \to l}) \Gamma_{ij} \Gamma_{kl}$
其中 $\alpha \in [0, 1]$ 平衡了特征相似度与结构保持， $\phi$ 是 LR 通道向量之间的相似性度量（默认为平方欧几里得距离）。

3. 模块化与下游集成

一个核心设计原则是，交互先验仅在耦合层面注入。生成的耦合 $\Gamma^*$ 可作为各种连续时间模型的可插拔输入，包括：

条件流匹配 (CFM)： 学习确定性速度场。
度量流匹配 (MFM)： 在数据依赖的黎曼流形上学习流。
随机薛定谔桥 (SF2M)： 模拟随机动力学。
非平衡 OT (Unbalanced OT)： 考虑群体质量的变化（增殖/凋亡）。

该框架使用定制的条件梯度（Frank-Wolfe）程序求解非凸 FGW 问题，并采用归一化方案以确保特征项与结构项在同一数量级上。

核心贡献

代价函数视角： 本文指出 OT 代数设计是快照对齐的关键杠杆，提出将有向、类型化的细胞间通信的平滑性作为一种生物学基础先验，该先验与基因表达的最小作用量原理正交。
类型化、有向 FGW： 作者将 FGW 推广到处理源自 LR 信号传导的多关系（向量值）有向交互结构，从而生成交互感知的耦合。
广泛的适用性： 该方法证明了交互感知耦合能改善多种框架（CFM, MFM, SF2M, UOT）下的轨迹推断，确立了 CCI 结构作为一种通用的先验。
机制可解释性： 通过在 LR 目录上进行操作，CellBRIDGE 支持 in silico（计算机模拟）扰动。在目录中沉默特定的 LR 对会诱导轨迹偏移，从而重现预期中通路抑制的生物学效应。

实验结果

作者在合成数据和六个真实世界的 scRNA-seq 数据集（包括肺肿瘤、V1 皮层、树突状细胞刺激和鼠胚发育）上评估了 CellBRIDGE。

耦合质量： 在具有已知地面真值传输映射的合成数据上，引入交互结构 ( $\alpha > 0$ ) 能显著恢复真实的传输映射；相比之下，仅基于特征的 OT ( $\alpha = 0$ ) 由于无法区分表达相似但信号角色不同的簇而失败。
轨迹推断： 在真实数据集上，CellBRIDGE 在降低插值误差（Wasserstein-1 和 Wasserstein-2 距离）方面始终优于最先进的基准模型（如 TrajectoryNet, DSB, Moscot, OT-CFM）。最佳性能通常在平衡设置 ( $\alpha \approx 0.5$ ) 下取得，尽管某些数据集（如树突状细胞刺激）更倾向于仅结构设置 ( $\alpha = 1$ )。
生物学基础： 消融实验证实，性能提升是由连贯的 LR 结构驱动的。随机化 LR 目录或打乱 CCI 张量条目会导致性能下降。
计算机模拟扰动： 在肺癌数据上，沉默特定的 LR 对（EGFR, ALK, MET）会诱导与已知治疗通路抑制一致的轨迹偏移，而对无关的心肾通路进行编辑则几乎没有影响。
局限性： 该方法依赖于“交互几何在快照间近似保持不变”的假设。在快速重构的系统或存在较大时间间隔（如持续 6 天的小鼠胚胎发育）的情况下，交互先验会变得不再提供信息，此时性能并不会优于仅基于特征的 OT。

重要性与主张

本文声称，CellBRIDGE 通过注入一种生物学归纳偏置（即配体-受体通信的平滑演变），解决了轨迹推断中的欠定问题。通过将结构先验与动力学模型解耦，CellBRIDGE 提供了一种模块化、可解释的方法，不仅提高了对齐保真度，还实现了针对特定机制的反事实分析。作者强调，该方法不需要空间数据，因此适用于标准的解离 scRNA-seq，并且通过精炼端点对应问题，补充了现有生成式模型的进展，而无需改变下游架构。