机器学习方法预测细胞命运

细胞动力学的研究对于理解细胞如何发展以及疾病如何发展至关重要。慕尼黑亥姆霍兹技术中心和慕尼黑工业大学(TUM)的科学家创造了“ scVelo” –一种机器学习方法和开源软件，用于估计单细胞中基因活性的动态。这使生物学家能够稳健地预测单个细胞的未来状态。

传统的单细胞测序方法有助于揭示有关细胞差异和功能的见解-但它们仅使用静态快照而不是定时拍摄来做到这一点。这种局限性使得很难得出有关细胞发育和基因活性动力学的结论。最近引入的方法“ RNA速度”旨在以计算为基础(利用未剪接和剪接转录本的比率)重建细胞的发育轨迹。但是，此方法仅适用于稳态人群。因此，研究人员正在寻找将RNA速度概念扩展到动态种群的方法，这对于理解细胞发育和疾病反应至关重要。

单细胞速度

来自Helmholtz ZentrumMünchen的计算生物学研究所和TUM的数学系的研究人员开发了“ scVelo”(单细胞速度)。该方法通过求解完整的基因方式转录动力学，利用基于AI的模型估算RNA速度。这使他们能够将RNA速度的概念推广到包括动态种群在内的多种生物系统。

“我们已经使用scVelo揭示了内分泌胰腺，海马中的细胞发育，并研究了肺再生的动态过程-这仅仅是开始”，scVelo的主要创建者和相应研究的第一作者沃尔克·贝尔根说。在自然生物技术。

借助scVelo，研究人员无需任何实验数据即可估计RNA转录，剪接和降解的反应速率。这些速率可以帮助更好地了解细胞身份和表型异质性。他们引入了潜伏时间，从而重建了未知的发育时间，将细胞沿基本生物学过程的轨迹定位。这对于更好地理解蜂窝决策特别有用。而且，scVelo揭示了其中的调节变化和推定的驱动基因。这不仅有助于了解细胞的发展方式，而且还有助于了解其发展的原因。

赋予个性化治疗

诸如scVelo之类的基于AI的工具可能会带来个性化的待遇。从静态快照到完整动态，研究人员可以从描述性模型过渡到预测模型。将来，这可能有助于更好地了解疾病的进展，例如肿瘤的形成，或揭示响应于癌症治疗的细胞信号传导。

“ scVelo自去年发布以来已被下载了近60.000次。它已成为单细胞转录组学动力学基础的垫脚石工具，”构思该研究并担任该研究所所长的Fabian Theis教授补充说。在Helmholtz ZentrumMünchen担任计算生物学博士学位，在TUM担任生物学系统数学建模主席。