🧬 biology

GeneRhythm uncovers gene expression rhythms that shape the dynamic transcriptional landscape in single-cell omics

本文介绍了 GeneRhythm，这是一个将单细胞基因表达分析重新构建在时频域中的新颖框架，旨在揭示传统时域方法无法发现的节律性调节程序和疾病相关动态。

原作者： Jun Ding, Xiuhui Yang, Yiming Jia, Braeden Giles, Yumin Zheng, Jingtao Wang, Kailu Song, Bowen Zhao, Yasmin Jolasun, Vishvak Raghavan, Gregory Joseph Fonseca, David Eidelman, Hao Wu, Koren K. Mann

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jun Ding, Xiuhui Yang, Yiming Jia, Braeden Giles, Yumin Zheng, Jingtao Wang, Kailu Song, Bowen Zhao, Yasmin Jolasun, Vishvak Raghavan, Gregory Joseph Fonseca, David Eidelman, Hao Wu, Koren K. Mann

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

想象一下，你正在聆听一条繁忙的城市街道。如果你只看交通流量的一个快照，你看到的是有多少辆汽车（即容量或量级）。但如果你倾听这条街道，你会听到其中的节奏：公交车平稳的嗡嗡声、摩托车急促的断奏，或是卡车低沉而缓慢的轰鸣声。

长期以来，研究基因（我们细胞内的指令）的科学家们大多只能进行“快照”式研究。他们计算一个基因在特定时刻说话的声音有多大。他们会问：“这个基因是在高声说话，还是在低声细语？”

这篇论文介绍了一个名为 GeneRhythm 的新工具。GeneRhythm 不仅仅是计算音量，它还在聆听基因的音乐。它会问：“这个基因说话的节奏是快速且跳跃的吗？它的节奏是缓慢且深沉的吗？它是在唱一首复杂且具有多层结构的歌曲吗？”

以下是该论文如何使用简单的类比来解释这种全新的“聆听”方式：

1. 问题所在：“沉默”的节奏

想象两个人在走廊里行走。

甲人走得很快，停一下，再走得很快，再停一下。
乙人走得慢，停一下，再走得慢，再停一下。

如果你只在起点和终点各拍一张照片，他们看起来可能走了相同的距离。但他们的节奏完全不同。

在生物学中，许多基因随时间变化的活动模式非常复杂。传统的检测方法（仅观察基因的“音量”）往往会忽略这些模式。两个基因在图表上看起来可能很相似，因为它们都在上升和下降，但其中一个可能正以快速、高频的节奏振动（像蜂鸟一样），而另一个则有着缓慢、沉重的节奏（像鲸鱼一样）。传统工具无法区分它们，因此会将它们错误地归为一类。

2. 解决方案：将基因转化为音乐

GeneRhythm 使用了一种叫做**小波变换（Wavelet Transform）**的数学技巧。你可以把它想象成一副特殊的耳机，可以将一首歌分离成不同的乐器和速度。

输入： 它获取基因随时间开启和关闭的原始数据。
魔力： 它将这些数据转换为时频图（Time-Frequency Map）。它不再仅仅是一条上升或下降的线，而是创造出一幅图像，展示基因在何时活跃以及它振动的频率有多快。
输出： 它将这些模式转化为实际的音乐（声谱化/音响化）。
- 高频基因（快速、跳跃的变化）听起来像是高音调、快速的音符。
- 低频基因（缓慢、稳定的变化）听起来像是低沉、悠长的持续音。

这使得科学家能够“听出”一个快速反应压力的基因与一个缓慢构建结构的基因之间的区别。

3. GeneRhythm 的发现

研究人员在多个生物“城市”（数据集）上测试了这一工具，包括血细胞、脑细胞以及来自糖尿病或新冠肺炎（COVID-19）患者的细胞。以下是他们的发现：

按节奏而非外观分组： 当他们根据基因的音乐节奏进行分组时，发现了传统方法所遗漏的新型“社区”（聚类）。
- 例子： 在血细胞中，他们发现了一组具有“快速、高音调”节奏的基因。这些基因都与免疫系统对抗感染有关。
- 例子： 在大脑发育过程中，他们发现了一组具有“缓慢、深沉”节奏的基因。这些基因与长期生长和维护有关。
- 转折点： 一些在标准图表上看起来截然不同（一个上升，一个下降）的基因，实际上属于同一个“音乐社区”，因为它们拥有相同的底层节奏。
寻找隐藏的疾病标记：
- 想象疾病就像一首歌，其旋律变得稍微有些“跑调”。传统工具寻找的是仅仅变得更“响”或更“轻”的歌曲。
- GeneRhythm 发现，在砷中毒、新冠肺炎和糖尿病等疾病中，基因的音量并没有改变，而是其节奏发生了变化。
- 发现： 一些在标准测试中看起来完全正常（沉默）的基因，在患病细胞中实际上正在演奏着混乱、快速的乐曲。GeneRump 捕捉到了这些被其他工具忽略的“沉默”标记。
通过“虚拟”扰动测试药物：
- 研究人员使用计算机模拟（in silico 扰动）来观察如果“关闭”或“改变”特定基因的节奏会发生什么。
- 他们问道：“如果我们修复这个基因的节奏，患病细胞是否会开始听起来更像健康细胞？”
- 这帮助他们识别了特定的基因和药物（如用于胰腺癌的 Gemcitabine 或用于治疗新冠的 Fostamatinib），这些药物有可能恢复细胞健康的“节拍”，即使这些基因在标准测试中并未显示出差异。
观察地图（空间数据）：
- 他们还观察了组织内特定位置（如大脑的不同层）的基因。他们发现大脑不同层级的基因具有不同的“节奏特征”，从而以一种全新的方式绘制了大脑的结构图。

4. 核心结论

论文认为，节奏是基因运作的基本组成部分，而不仅仅是一个副作用。

旧方法： “这个基因有多响？”（时域分析）
新方法（GeneRhythm）： “这个基因在唱什么样的歌？”（频域分析）

通过聆听细胞的音乐，GeneRhythm 揭示了一个隐藏的生物调节层面。它找到了此前不可见的疾病标记，按真实的“功能节拍”对基因进行分组，并提供了一种新方法，用于测试哪些药物可以修复病变细胞中破碎的节奏。

简而言之： GeneRhythm 将静态的基因表达数据转化为动态的交响乐，让科学家得以聆听生命中那复杂、有节奏的语言——而这种语言在以前对他们来说是沉默的。

GeneRhythm 技术总结

问题陈述
动态基因表达程序驱动着发育与疾病，然而目前的单细胞分析框架主要在时间域内运行。这些传统方法捕捉的是表达强度的变化和轨迹相似性，却无法解析这些变化是如何在节奏上组织的。因此，在周期性、相位或多尺度动力学方面存在差异的调节程序，如果它们具有相似的总体趋势，往往会被视为无法区分。这种局限性掩盖了基因调控的基本维度，将具有不同节奏结构但具有相似时间域轨迹的不同调节机制混为一谈。

方法论
作者引入了 GeneRhythm，这是一个通过将基因表达重新构建到时-频域中，从而将节奏结构作为基因调控的一个主要维度进行显式建模的框架。其工作流程通过以下阶段进行：

轨迹重建与插值： 对单细胞数据（scRNA-seq、scATAC-seq、空间转录组学）进行处理以推断细胞轨迹（例如使用 Monocle3）。在里程碑路标处聚合基因表达，并通过三次样条插值进行平滑，以生成连续的时间域信号。
时-频变换： 使用墨西哥帽小波对连续信号进行连续小波变换（CWT）。这生成了时-频图 ( $W(a, b)$ )，该图保留了时间局部性并捕获了跨多个尺度的振荡模式，从而定义了每个基因的“节奏剖面”（rhythm profile）。
深度表示学习： 一个多分支深度神经网络架构整合了三类特征集：
- $X_c$ ：跨细胞的基因表达。
- $X_t$ ：时间域动态特征（由轨迹衍生）。
- $X_f$ ：频域节奏特征（由小波衍生）。
  图卷积网络（GCNs）结合蛋白质-蛋白质相互作用（PPI）先验，在调节网络中传播节奏信息。变分自编码器（VAE）框架学习一个统一的潜在基因嵌入，该嵌入捕捉了表达强度、时间进程和频率解析结构。
核心功能：
- 节奏聚类： 基因基于潜在空间中共享的节奏组织进行聚类，这种聚类独立于时间域的轨迹形状。
- 差异节奏基因（DRG）识别： 通过统计检验（对频率剖面进行 t 检验）识别具有条件特异性节奏变化的基因，即使其平均表达差异微乎其微。
- 节奏化 In Silico 扰动： 该框架在频域潜在空间内模拟基因或通路的扰动。它量化了疾病状态表示向对照状态的偏移，从而优先考虑那些其功能影响被编码在节奏结构中的调节因子。
- 基因声谱化（Sonification）： 将频率解析的动态转化为结构化的音乐乐谱（MIDI），将小波尺度映射为音高，将振幅映射为音符密度，为探索性分析提供了一种可解释的模态。

关键结果

节奏聚类： 在小鼠胚胎血液和神经嵴数据集中，GeneRhythm 识别出了在频率空间中具有相干性但在时间域轨迹上存在分歧的基因模块。高频聚类富集了免疫信号传导和快速调节程序，而低频聚类则与发育维持和管家功能一致。通过与 scNET、scSTEM、Clust 和 WGCNA 的基准测试对比，GeneRhythm 展示了更优越的几何聚类指标（Calinski–Harabasz、Davies–Bouldin、Dunn、Silhouette）以及更高的通路水平生物学相干性。
差异节奏发现： 在砷暴露、COVID-19 和糖尿病数据集中，DRG 分析识别出了传统差异表达（DEG）分析所遗漏的疾病特异性标记物。例如，在砷暴露细胞中，标记物 Maml2 显示出明显的节奏重组，而其平均表达量并无显著变化。同样，COVID 中的 KLRF1 和糖尿病中的 THRAP3 也表现出了标准 DEG 方法无法察觉的结构化节奏表型。
多组学与空间应用： 在空间转录组学（人类背外侧前额叶皮层）中，节奏分析区分了“跨层”（Cross Layers）与“内层”（Intra Layers）的空间方向，揭示了通过静态表达比较无法检测到的皮层标记物如 GLYAT。在配对的 scATAC-seq 和 scRNA-seq 数据中，该框架识别出了“启动型”基因，即染色质可及性显示出先于转录变化的节奏性差异信号。
扰动与临床相关性： 在 COVID 和胰腺导管腺癌（PDAC）数据集中的 in silico 扰动识别出了候选治疗靶点（如 Azeliragon、Gemcitabine）以及未被基于表达量的方法所优先考虑的通路。在 PDAC 中，由频域扰动识别出的基因与通过传统非频率扰动识别出的基因相比，显示出显著更强的预后分层能力（生存分析）。

意义与主张
本文主张 GeneRhythm 确立了以频域定义的节奏结构作为基因调控的一个基本且此前未被建模的维度。通过从时间域转向时-频表示，该框架：

揭示隐藏的调节程序： 它揭示了与疾病相关的转录程序和调节模块，这些模块在频率或相位而非幅度上存在差异，因此在传统的时域分析中是不可见的。
提供通用的分析基础： 该方法可推广至多种模态（scRNA-seq、scATAC-seq、空间转录组学）和多种生物学背景（发育、疾病），为分析、比较和扰动动态调节程序提供了统一的基础。
实现可操作的洞察： 通过节奏化 in silico 扰动和声谱化，该框架将复杂的频域动态转化为可解释的表示，将节奏敏感性与药物靶点、通路富集和临床结果联系起来。

作者将 GeneRhythm 定位为现有工具的补充视角，而非替代工具，它系统地解析了被轨迹相似性和平均表达比较所遗漏的调节结构，从而减少了在将动态调节发现与生物学机制对齐时的歧义。

1. 问题所在：“沉默”的节奏

2. 解决方案：将基因转化为音乐

3. GeneRhythm 的发现

4. 核心结论

GeneRhythm 技术总结

类似论文