- 3 次围观
内容形式:摘要译文
理解细胞状态如何响应遗传扰动而发生变化,对于基因功能研究和治疗手段发现至关重要。然而,在大规模单细胞组学数据集上训练的先进深度学习模型,仍难以准确预测细胞对扰动的响应,这凸显了进一步理解细胞状态空间及细胞如何在其中迁移的必要性。在此,我们提出一种对比学习模型,将多样化的单细胞 RNA 测序(scRNA-seq)数据集整合到一个全局且可解释的细胞状态流形中。进一步地,我们构建了一个框架,将这一全局细胞状态流形与全基因组尺度的扰动数据相整合,从而识别定义细胞状态转变主轴的基因表达程序,以及定义主要扰动类别的基因功能嵌入。将该框架应用于不同细胞类型的 Perturb-seq 数据集后,我们发现了保守的细胞扰动响应,以及应激反应在不同细胞类型中的特异性重构。此外,我们在人胚胎干细胞中开展了全基因组尺度的 Perturb-seq 筛选,验证并拓展了上述发现,并揭示出一类由作用于细胞应激反应通路的多种扰动所诱导的间充质转变。
关键词:单细胞RNA测序 · Perturb-seq · 对比学习 · 细胞状态流形 · 基因表达程序 · 细胞扰动响应
原文链接:https://www.biorxiv.org/content/10.64898/2026.05.16.725005v1?rss=1
来源出处
全局细胞状态与基因程序表征揭示细胞保守性和情境特异性的扰动响应
https://www.biorxiv.org/content/10.64898/2026.05.16.725005v1?rss=1