scMTG利用马尔可夫转移生成器重建单细胞时间动态

单细胞时间序列数据为研究细胞状态如何随时间产生、演化和分化提供了独特机会。然而，细胞在各时间点上的测量具有破坏性，且无法对单个细胞进行直接追踪，这使得重建细胞状态转变并揭示其动态调控程序成为一项挑战。现有方法主要基于最优传输，且通常需要预先定义的低维表示，这可能限制其可扩展性、灵活性和机制可解释性。本文提出了 scMTG，这是一种单细胞马尔可夫转移生成框架，能够从非配对的单细胞时间序列数据中联合学习细胞表征和时间性细胞状态转移。在一系列实验中，与当前最先进的方法相比，scMTG 在对留出的缺失时间点数据进行插值以及推断跨时间点转移矩阵方面表现出更优性能。更重要的是，所学习到的马尔可夫转移生成器提供了一个可解释框架，用于识别驱动细胞状态变化的分子程序，从而实现对细胞命运决策的表征以及时间分辨调控网络的构建。总体而言，scMTG 提供了一个统一的生成框架，用于重建细胞动态并揭示塑造发育、分化和疾病进展的调控程序。scMTG 已作为开源软件发布于 https://github.com/liuq-lab/scMTG。

单细胞时间序列数据为研究细胞状态如何随时间产生、演化和分化提供了独特机遇。然而，细胞在各时间点上的测量具有破坏性，且无法对单个细胞进行直接追踪，这使得重建细胞状态转变并揭示其动态调控程序成为一项挑战。现有方法主要基于最优传输，通常还需要预先定义的低维表示，这可能限制其可扩展性、灵活性和机制可解释性。在此，我们提出了 scMTG——一种单细胞马尔可夫转移生成框架，可从非配对的单细胞时间序列数据中联合学习细胞表征与跨时间的细胞状态转移。在一系列实验中，与当前最先进的方法相比，scMTG 在对留出的缺失时间点数据进行插值以及推断跨时间点转移矩阵方面表现出更优性能。更重要的是，所学习到的马尔可夫转移生成器提供了一个可解释框架，用于识别驱动细胞状态变化的分子程序，从而实现对细胞命运决策的表征以及时间分辨调控网络的构建。总体而言，scMTG 提供了一个统一的生成式框架，用于重建细胞动态过程并揭示塑造发育、分化和疾病进展的调控程序。scMTG 已作为开源软件发布于 https://github.com/liuq-lab/scMTG。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.04.730241v1?rss=1

🏷️ 单细胞测序 时间序列建模 马尔可夫转移 细胞状态转换 细胞命运决定 生成模型