CellRank揭示细胞分化轨迹

大家知道细胞发育和分化是一个很重要的研究方向，细胞轨迹分析可以通过构建细胞间的变化轨迹来重塑细胞随着时间的变化过程，帮助人们从单细胞水平推断细胞之间的演化及分化过程。

传统轨迹推断需预先知道生物过程方向 (如发育分化)，而 CellRank 结合 RNA 速率 (RNA velocity)和转录相似性，在无需预知方向即可推断细胞分化轨迹、识别潜在的驱动基因。CellRank 2 是一个基于马尔科夫状态模型的模块化框架，旨在研究多视图单细胞数据中的细胞动态。它能够估计细胞分化方向，利用多种生物学先验（包括RNA速度、伪时、发育潜能、实验时间点等）来分析。相比CellRank在大数据量、模型准确性上做了优化。

官网: https://cellrank.readthedocs.io/en/latest/index.html

1、分析原理

将RNA速度与高维转录组相似性结合构建有向马尔可夫链，通过计算细胞间转移概率矩阵来确定初始和最终状态，计算命运概率

2、使用范围

最新的CellRank2支持单细胞和空间转录组数据、百万细胞的轨迹分析。

3、主要结果说明

CellRank2基于RNA速率推断的细胞分化轨迹图

说明: 

图中的箭头显示了细胞运动的方向和速率（从未剪切指向剪切），不同颜色代表不同细胞类型或状态，从图中可以观察到细胞分化的轨迹和方向。RNA速率结果来自scVelo软件分析结果。

CellRank2基于DPT伪时间推断的细胞分化轨迹图

说明: 

图中的箭头显示了细胞运动的方向和速率（从未剪切指向剪切），不同颜色代表不同细胞类型或状态，从图中可以观察到细胞分化的轨迹和方向，相比前面基于RNA速率推断的轨迹细节方面展示的更细腻、分支方向更准确。

说明: 

筛选出的那些模型拟合良好的、动力学信号清晰的“高置信度”基因，这些基因的表达随着伪时间的变化展现出明显的动态特征。表中fit_likelihood表示似然度，评分越高对细胞的分化轨迹产生影响越显著。

4、文献解读

这篇文献中作者通过CellRank2利用伪时间进行细胞命运映射。

a， 伪时间核将基于表型相似性的最近邻图边缘偏向递增伪时间，定义细胞间的转移概率。b，c，UMAP嵌入了24,440个外周血单核细胞，按细胞类型的分化轨迹，我们用黑色（b）展示了微分层级结构，以及基于伪时间（c，左）和RNA速度（c，右）的投影速度场。d、将命运概率与基因表达相关，展示了谱系特异性趋势。