Reference-guided pseudotime inference across species and biological contexts
该论文介绍了 Cavebear，这是一个机器学习框架，它利用来自一个物种或条件的参考单细胞 RNA 测序（scRNA-seq）时间序列数据，来准确推断在缺乏可靠时间标签的查询上下文中中的伪时间，并绘制生物衰老或疾病进展图谱。
原始论文采用 CC BY 4.0 许可（https://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
生命是一段书写在时间里的故事，但当科学家观察构成生物体的单个细胞时，那条时间线往往会消失。从胚胎、愈合的伤口或生长的肿瘤中在同一时刻采集的细胞，其自身的内部旅程可能处于截然不同的阶段。有些细胞刚刚开始发生变化，而另一些则已经完成了转变。为了理解生命如何发育或疾病如何扩散，研究人员需要将这些细胞按正确的顺序排列起来。这种排序被称为“拟时序”（pseudotime）。这是一种重建那些在单一快照中被捕捉到的细胞事件序列的方法，揭示了它们成熟或衰退过程中隐藏的叙事。
多年来，当缺乏清晰的时间线时，科学家们一直难以准确讲述这个故事。现有的方法通常试图通过观察细胞之间的相似性来猜测顺序，但如果没有已知的进度表，这些猜测可能会出错。其他方法则需要完美的记录时间，即在许多特定时刻进行采样，但这在人类患者或难以研究的组织中通常是无法实现的。其结果是，对于许多关键的生物学问题——从人类大脑如何形成到癌症如何生长——时间线始终是一个谜。
现在，一组研究人员开发了一种新方法，通过向已知来源“借用”时间来解决这个难题。他们创建了一个名为 Cavebear 的工具，它充当了不同生物世界之间的翻译官。其核心理念简单而强大：如果你知道一个生物体中某个过程的确切进度表，你就可以利用这些知识来确定另一个生物体中类似过程的进度表，即使你对第二个生物体没有任何时间标签。想象一下，你正在试图理解一朵稀有的野生花卉的生长情况，而你只能见到它一次。如果你有一份关于一种常见的相关花卉如何逐日生长的详细日历，你就可以利用这份日历来估算你的野生花卉在其自身生命周期中所处的阶段。Cavebear 正是为此设计的，它利用记录详尽的小鼠发育过程来解码小鼠、斑马鱼、人类类器官甚至人类癌症患者细胞的计时。
研究人员首先在斑马鱼的大脑发育上测试了这个想法。他们拥有一个庞大的小鼠胚胎数据集，其中每个细胞都标记了其精确的年龄，从早期阶段到发育后期不等。他们也有一个斑背鱼胚胎数据集，但对于斑马鱼，他们不想依赖已知的采集时间，以测试该工具是否能独立工作。该工具首先学习识别细胞的“身份”，根据基因组成将小鼠脑细胞与斑马鱼脑细胞进行匹配，忽略它们来自不同物种的事实。一旦这些细胞在共享空间内对齐，该工具便利用小鼠细胞已知的年龄来学习基因层面的“时间”形态。随后，它将这种学到的时间感应用于斑马鱼细胞。结果令人瞩目。该工具成功地将斑马鱼细胞按从年轻到年老的顺序排列，比任何试图在没有帮助的情况下猜测顺序的现有方法都更能匹配真实的生物学进程。即使在参考数据稀缺的情况下，它也能奏效，表明它即使在样本有限的情况下也能找到时间的信号。
这种方法的威力延伸到了比较不同动物的领域。它还可以弥合实验室培养细胞与活体生长细胞之间的鸿沟。科学家经常在实验室中使用干细胞培育人类脑细胞，以创建微小的三维结构，称为类器官。这些类器官对于研究人类发育具有极高的价值，但很难确切知道它们在任何给定时刻代表了人类发育的哪个阶段。研究人员使用 Cavebear 将这些实验室培养的人类细胞映射到活体小鼠胚胎的时间线上。该工具显示，培养皿中的细胞正以稳定、可预测的节奏成熟，就像在真实身体中一样，从早期阶段向后期阶段移动。在一种特定情况下，该工具识别出一位捐赠者的人类细胞，其类器官的发育似乎比其他人更慢。这一发现与另一项观察结果一致，即该捐赠者的脑容量较小，这表明该工具可以检测到可能被忽视的细微且真实的发育差异。
这项工作的最引人注目的应用或许是在疾病研究，特别是癌症领域。在人类患者中，医生通常只能获得一份肿瘤样本，这使得观察癌症随时间演进的过程几乎成为不可能。研究人员将 Cavebear 应用于十名患者的结直肠癌样本。他们使用了一种诱导并追踪数周的癌症小鼠模型作为参考时间线。该工具分析了人类肿瘤细胞，并基于小鼠模型为它们分配了一个“进展评分”。结果显示，与相邻的健康组织相比，患者体内的癌细胞确实处于发育的高级阶段。更重要的是，该工具检测到位于肿瘤周围的组织中，一些看似健康的细胞已经显示出了这种进展的迹象，特别是血液细胞。这表明，与癌症相关的变化可能比此前认为的更早扩散到周围区域。该工具甚至在研究人员使用完全不同类型的癌症（一种血液癌症）作为参考来分析实体瘤时依然有效。尽管这些疾病存在差异，该工具仍然找到了一个一致的进展信号，表明不同类型的癌症之间可能存在共同的底层行为变化。
Cavebear 的成功取决于生命的基本过程（例如细胞如何分化或疾病如何演变）在物种间是保守的。通过利用来自小鼠等模式生物的详细、带有时间戳的数据，研究人员创造了一种方法，为此前过于复杂或过于静态、难以绘制的生物过程带来清晰度。该工具不仅仅是在猜测；它从已知来源学习生命的节奏，并将其应用于未知。这种方法为在直接观察无法实现的情况下理解人类发育和疾病的时序打开了大门，将细胞的单一快照转变为其历史的动态影像。研究结果表明，有了正确的参考，我们终于可以在曾经无法观测到的地方，读懂生命的时刻表。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。