面向高维转录组数据的离散莫尔斯图构建

单细胞转录组图谱解析出数千种推定的脑细胞类型，然而，常见的分析流程通常依赖低维嵌入，这可能扭曲邻域关系，并掩盖密切相关细胞群体之间的连续变化。我们提出单细胞离散 Morse 图构建方法（single-cell Discrete Morse Graph Construction，scDMGC），这是一种基于拓扑数据分析和离散 Morse 理论的确定性框架，能够从高维基因表达空间的邻域结构中提取紧凑图。由于图中的边源自原始的 k 近邻复形，scDMGC 无需低维嵌入，即可提供一种具有可解释性的转录组组织多尺度表征。局部极大值代表连贯的转录状态，鞍点量化这些状态之间的分离程度，而梯度路径则刻画中间状态及连续转变。应用于皮层和海马数据集时，scDMGC 重现了已建立的抑制性神经元类别，并阐明了转录梯度。在小鼠全皮层数据中，Morse 图结构可用于评估细胞类型层级和细胞类型的稳健性。跨尺度的持久性为细胞类型身份以及离散关系与连续关系之间的区分提供了定量指标。最后，在阿尔茨海默病单核数据中，scDMGC 区分了细胞类型丰度的变化与疾病相关的转录状态变化。因此，scDMGC 提供了一个多尺度框架，用于量化转录群体是否形成具有持久性的细胞类型、外部注释在多大程度上得到内在数据结构的支持、细胞类型之间如何相互关联，以及离散组织在何处过渡为连续变异。

单细胞转录组图谱解析出数千种推定的脑细胞类型，但常见的分析流程往往依赖低维嵌入，这可能扭曲邻域关系，并掩盖密切相关细胞群体之间的连续变异。我们提出单细胞离散莫尔斯图构建方法（single-cell Discrete Morse Graph Construction，scDMGC），这是一种基于拓扑数据分析和离散莫尔斯理论的确定性框架，可从高维基因表达空间中的邻域结构提取紧凑图。由于图中的边源自原始的 k 近邻复形，scDMGC 无需低维嵌入，即可提供一种具有可解释性的转录组组织多尺度表示。局部极大值代表连贯的转录状态，鞍点量化这些状态之间的分离程度，而梯度路径则刻画中间状态和连续转变。应用于皮层和海马数据集时，scDMGC 重现了已确立的抑制性神经元类别，并阐明了转录梯度。在小鼠全皮层数据中，莫尔斯图结构可用于评估细胞类型层级和类型稳健性。跨尺度的持久性为细胞类型身份以及离散关系与连续关系之间的区分提供了定量指标。最后，在阿尔茨海默病单核数据中，scDMGC 区分了细胞类型丰度的变化与疾病相关的转录状态转变。因此，scDMGC 提供了一个多尺度框架，用于量化转录群体是否形成具有持久性的细胞类型、外部注释在多大程度上得到内在数据结构的支持、细胞类型之间如何相互关联，以及离散组织在何处过渡为连续变异。

感谢您有兴趣传播 bioRxiv 的相关信息。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.22.753642v1?rss=1

🏷️ 单细胞转录组 拓扑数据分析 离散莫尔斯理论 高维基因表达 细胞类型分类 阿尔茨海默病