TSvelo: Comprehensive RNA velocity by modeling cascade of gene regulation, transcription and splicing

TSvelo 是一种基于可解释神经微分方程的综合 RNA 速度框架，通过建模基因调控、转录和剪接的级联过程，能够精确捕捉单细胞内所有基因的三维动力学并推断统一的潜在时间，从而显著提升了多谱系数据集下游分析的可靠性与鲁棒性。

要点

这篇论文介绍了一个名为 TSvelo 的新工具，它就像是一个超级“细胞时间机器”和“命运预言家”。

为了让你轻松理解，我们可以把细胞的生命过程想象成拍电影，而科学家手中的单细胞测序数据（scRNA-seq）就像是一堆散乱的、静止的剧照。

1. 以前的难题：只有剧照，没有剧情

以前的科学家（使用旧工具如 scVelo）试图通过两张照片来推测电影剧情：

• 照片 A（未剪接 mRNA）： 像是刚拍好的原始素材，还没剪辑。
• 照片 B（已剪接 mRNA）： 像是剪辑好的成品。

问题在于：

• 噪点太多： 照片太模糊，看不清细节。
• 时间太短： 剪辑过程（剪接）发生得太快，两张照片看起来几乎一样，很难看出谁先谁后。
• 各自为战： 以前的工具像是一个个独立的摄影师，只盯着一个演员（基因）看，不知道其他演员在干什么，导致拼凑出的剧情（细胞分化路径）经常出错，尤其是在复杂的“多线剧情”（多谱系分化）中。

2. TSvelo 的绝招：全知全能的导演视角

TSvelo 就像是一位拥有上帝视角的超级导演，它不再只看两张静态照片，而是通过一套精密的数学模型（微分方程），把整个“拍摄现场”的动态过程都还原出来了。

它做了三件关键的事：

A. 引入“剧本大纲”（基因调控网络）

以前的工具不知道演员之间怎么互动。TSvelo 引入了**“剧本”**（转录因子 TF 和靶基因的关系）。

• 比喻： 就像导演知道“如果主角 A 哭了，配角 B 就会生气”。TSvelo 利用已知的生物学知识，知道哪些基因（转录因子）在控制哪些基因。这样，它就能把成千上万个基因看作一个整体团队，而不是散兵游勇。

B. 构建“三维动态电影”（3D 相图）

以前的工具只能在“未剪接 vs 已剪接”的二维平面上画图，很多细胞挤在一起，分不清谁是谁。

• 比喻： TSvelo 把画面从2D 平面升级到了3D 立体空间。它增加了一个维度——“转录速率”（基因正在多努力地工作）。
• 效果： 就像把平面的照片变成了 3D 电影，原本挤在一起的细胞（不同状态的细胞）现在能清晰地分层、分开，科学家能一眼看出谁在“起步”，谁在“加速”，谁在“刹车”。

C. 统一的时间轴（全局隐时间）

以前的工具给每个基因算一个时间，结果经常打架（基因 A 说现在是早上，基因 B 说现在是晚上）。

• 比喻： TSvelo 像一个总指挥，给整个细胞群体分配了一个统一的“生物钟”。它通过迭代计算，让所有基因都服从这个统一的时间轴，从而精准地预测细胞下一秒会变成什么样子（细胞命运）。

3. 它有多厉害？（实战演练）

作者在六个不同的“片场”（数据集）测试了 TSvelo，效果惊人：

• 胰腺细胞（从导管变内分泌）： 以前分不清的细胞，现在像剥洋葱一样，一层层分得清清楚楚。
• 血液细胞（从造血干细胞变红细胞）： 即使数据很乱、噪音很大，TSvelo 也能像侦探一样，精准找出关键基因（比如 KLF1）是如何指挥红细胞生成的，甚至能发现基因表达的“时间差”（先有指令，后有反应）。
• 大脑发育（多线分化）： 这是最难的，因为细胞要分叉成神经元、胶质细胞等不同路线。TSvelo 像是一个分叉路口的导航仪，能同时追踪好几条路，准确预测每条路上的细胞会去哪里，而旧工具在这里经常迷路。

4. 总结：为什么我们需要它？

如果把细胞研究比作看一场没有字幕、没有剧情的默片：

• 旧方法是拿着放大镜看几个模糊的镜头，猜剧情，经常猜错。
• TSvelo 则是直接把电影重新拍了一遍。它不仅还原了剧情（细胞分化路径），还解释了为什么这么演（基因调控机制），甚至能预测下一集会发生什么（细胞命运）。

一句话总结：
TSvelo 通过把基因看作一个互相配合的交响乐团，而不是一个个独奏者，利用3D 动态视角和统一的时间指挥棒，让科学家第一次能清晰、准确地看到细胞是如何从“婴儿”一步步变成“成人”的，从而更可靠地预测疾病和开发新疗法。

技术摘要

以下是基于论文《TSvelo: Comprehensive RNA velocity by modeling the cascade of gene regulation, transcription and splicing》的详细技术总结：

1. 研究背景与问题 (Problem)

RNA 速度（RNA velocity）技术通过分析未剪接（unspliced）和已剪接（spliced）mRNA 的比例来推断细胞状态的未来变化，从而预测细胞命运。然而，现有的 RNA 速度方法（如 scVelo, Dynamo, UniTVelo 等）面临以下主要挑战：

• 数据噪声与稀疏性：单个基因的未剪接/已剪接数据存在高噪声和稀疏性，且剪接过程的时间尺度极短，导致传统的相图拟合（phase portrait fitting）难以准确捕捉复杂的动力学，尤其是在不同细胞类型混合时。
• 缺乏调控整合：大多数方法独立处理每个基因，忽略了基因间的调控相互作用（如转录因子 TF 对靶基因的调控）。虽然部分方法尝试引入调控信息，但往往忽略了剪接信号，无法将转录和剪接动力学统一建模。
• 参数可解释性差：为了处理灵活的转录率或多基因建模，一些新方法使用隐空间嵌入或深度神经网络编码器，导致模型参数在基因层面缺乏生物学可解释性。
• 多谱系（Multi-lineage）任务困难：在大规模、多分化路径的 scRNA-seq 数据集中，现有方法难以准确处理复杂的分支轨迹。

2. 方法论 (Methodology)

作者提出了 TSvelo，这是一个综合性的 RNA 速度数学框架，其核心创新在于将基因调控、转录和剪接级联过程统一建模为可解释的神经常微分方程（Neural ODEs）。

• 统一动力学建模：
  TSvelo 不再单独拟合每个基因，而是同时建模所有基因的动力学。它定义了未剪接 RNA ($u_g$) 和已剪接 RNA ($s_g$) 的微分方程：
  $$\frac{du_g}{dt} = \alpha_g(t) - \beta_g u_g(t)$$
  $$\frac{ds_g}{dt} = \beta_g u_g(t) - \gamma_g s_g(t)$$
  其中，$\alpha_g(t)$ 是转录率，$\beta_g$ 是剪接率，$\gamma_g$ 是降解率。

• 引入基因调控网络：
  转录率 $\alpha_g(t)$ 被建模为受转录因子（TFs）表达的线性组合影响（使用 ReLU 激活函数）：
  $$\alpha_g(t) = \text{ReLU}\left(\sum_{i \in TFs(g)} w_{gi} \cdot s_i(t)\right)$$
  这里利用了 ENCODE 和 ChEA 数据库中的先验 TF-靶基因关系。对于未选为速度基因但作为 TF 存在的基因，模型直接建模其从转录到成熟 RNA 的过程，无需未剪接数据。

• 神经 ODE 与 EM 算法：

  • 全局隐时间（Unified Latent Time）：TSvelo 为每个细胞学习一个全局的伪时间（pseudotime），而不是为每个基因单独学习时间。
  • 优化策略：采用期望最大化（EM）算法进行迭代优化。
    • E 步：固定模型参数，通过网格搜索为每个细胞分配最佳的时间步（grid search），最小化观测值与模型预测值之间的均方误差。
    • M 步：固定时间分配，利用神经 ODE（Neural ODE）求解器和梯度下降更新参数矩阵（包括转录、剪接、降解率及调控权重 $W$）。
  • 3D 相图：通过引入转录率 $\alpha$ 作为第三个维度，构建了“转录 - 未剪接 - 已剪接”的 3D 相空间，有效解决了传统 2D 相图中细胞状态重叠的问题。

3. 关键贡献 (Key Contributions)

1. 首个整合调控与剪接的统一框架：TSvelo 首次将基因调控网络（TF 调控）与转录/剪接动力学结合在一个可解释的 ODE 框架中，实现了从 DNA 到成熟 RNA 的全流程建模。
2. 高可解释性：与基于黑盒深度学习的方法不同，TSvelo 的参数（转录率、剪接率、调控权重）具有明确的生物学意义，可直接用于推断基因调控机制。
3. 3D 动力学表征：通过引入转录率维度，显著提高了细胞状态在相空间中的可分离性，解决了传统方法中细胞类型混合导致的拟合失败问题。
4. 多谱系处理能力：能够自动检测并分割多谱系数据，独立建模各分支后合并，有效处理复杂的分化轨迹。

4. 实验结果 (Results)

作者在六个 scRNA-seq 数据集上验证了 TSvelo 的性能，包括胰腺发育、原肠胚红系分化、小鼠大脑发育、齿状回多谱系分化以及 LARRY 谱系追踪数据：

• 胰腺数据集（Pancreas）：

  • TSvelo 生成的伪时间和速度流图准确捕捉了从导管细胞到内分泌细胞的分化过程。
  • 3D 相图优势：在 3D 空间（$\alpha-u-s$）中，细胞状态分离的 kNN 分类准确率显著高于传统 2D 相图（$p = 4.37 \times 10^{-10}$）。
  • 能够准确拟合如 MAML3 等具有复杂混合模式的基因，而传统方法（scVelo, Dynamo 等）在这些基因上表现不佳。

• 原肠胚红系数据集（Gastrulation Erythroid）：

  • 在速度一致性（Velocity Consistency）、簇内相干性（In-cluster Coherence）和跨边界方向正确性（Cross-boundary Correctness）等指标上，TSvelo 均优于 scVelo, Dynamo, UniTVelo 等基线方法。
  • 成功识别了关键转录因子 KLF1 及其靶基因（HBA-X, ALAS2, GYPA）的调控关系和时间延迟模式。

• 小鼠大脑数据集（Mouse Brain）：

  • 在与 MultiVelo（多组学方法）的对比中，TSvelo 仅使用 scRNA-seq 数据就实现了更准确的轨迹推断，特别是在径向胶质细胞（RG）到中间前体细胞（IPCs）的转化过程中。
  • 对于高噪声基因（如 BASP1, MSI2），TSvelo 能捕捉到先升后降或单调递减的正确动态，而 MultiVelo 因 ATAC 数据噪声导致拟合错误。

• 多谱系数据集（Dentate Gyrus & LARRY）：

  • 在齿状回神经发生数据中，TSvelo 成功识别了颗粒细胞、CA 区和胶质细胞三条谱系，并揭示了谱系特异性的基因表达模式（如 ANK3 在神经元中高表达，在胶质细胞中低表达）。
  • 在 LARRY 数据集（4.9 万个细胞）上，准确追踪了中性粒细胞的分化轨迹，并识别出关键的中性粒细胞去颗粒化相关基因。

5. 意义与展望 (Significance)

• 生物学洞察：TSvelo 不仅提供了更准确的细胞命运预测，还通过可解释的参数直接揭示了基因调控网络（如 TF 对靶基因的权重）和转录/剪接的时间延迟，为理解发育生物学机制提供了新工具。
• 鲁棒性：通过整合多基因信息和调控先验，TSvelo 在噪声大、细胞类型复杂的数据集中表现出更强的鲁棒性，解决了现有方法在大规模数据上的局限性。
• 局限性：目前依赖预定义的 TF-靶基因先验（可能不完整），且计算开销相对较大。
• 未来方向：作者计划整合单细胞染色质开放性数据（scATAC-seq）以改进转录建模，并探索动态变化的剪接和降解率，以进一步捕捉复杂的生物学机制。

总体而言，TSvelo 代表了 RNA 速度分析从“单基因独立拟合”向“全基因组调控级联建模”的重要范式转变，显著提升了单细胞轨迹推断的精度和生物学可解释性。