Zusammenfassung Die Rekonstruktion zeitlicher zellulärer Dynamiken aus statischen Einzelzell-Transkriptomik bleibt eine große Herausforderung. Methoden, die auf RNA-Geschwindigkeit basieren, sind nützlich, aber die Interpretation ihrer Ergebnisse, um neue biologisches Wissen zu erlangen, bleibt schwierig, und ihre Vorhersagekraft ist begrenzt. Hier schlagen wir NeuroVelo vor, eine Methode, die das Lernen einer optimalen linearen Projektion mit nichtlinearen neuronalen gewöhnlichen Differentialgleichungen koppelt. Mithilfe der Theorie dynamischer Systeme im optimierten latenten Raum kann NeuroVelo gleichzeitig zelluläre Transitionen bestimmen und Geninteraktionen identifizieren, die die beobachteten zeitlichen Dynamiken der Genexpression steuern. Wir benchmarken NeuroVelo gegen mehrere moderne Methoden mit Hilfe von Einzelzelldatensätzen und zeigen, dass NeuroVelo korrekt Zelltypübergänge rekonstruiert und Genregulierungsnetzwerke identifiziert, die den Zellschicksal direkt aus den Daten antreiben.
Boudjelthia et al. (Sun,) haben diese Frage untersucht.