博文

scTimeBench：单细胞时序分析的高效基准测试平台

已有 295 次阅读 2026-9-15 21:05 |个人分类:科普|系统分类:科普集锦

scTimeBench：单细胞时序分析的高效基准测试平台

在生物体内，细胞是通过一系列分化过程逐渐形成的。在这些过程中，细胞从未成熟的、具有多能性的状态转变为具有特定功能的成熟细胞类型。为了研究这些过程，生物学家们建立了单细胞 RNA 测序数据集，这些数据有助于分析基因表达的动态变化。由于现有的测序技术会破坏细胞，因此每个细胞的数据仅能反映某个特定时间点的信息。这就需要借助计算方法来对不同时间点的细胞数据进行整合。现有的方法通常利用实际观测到的时间点，或利用反映细胞内部生物钟的参数（即“伪时间”），来重建细胞的发育轨迹。这些研究有助于我们了解组织的发育过程以及疾病的进展机制。

时间监督方法在单细胞轨迹推断中起着至关重要的作用。基于预测的方法利用常微分方程和扩散模型，试图将生物过程重建为连续的轨迹。基于最优传输算法的方法，如 WOT 和 Moscot，因能够实现不同时间点之间细胞间的离散映射而备受重视。重要的是，这些基于监督学习的时间模型能够模拟细胞随时间的变化过程，从而有助于新的生物学发现。具体而言，这些模型通过“虚拟细胞”的概念实现了对细胞的计算机模拟分析。这一方法不仅有助于确定潜在的药物靶点，还能揭示那些容易受到各种药物影响的转录机制。转化医学的进步依赖于可靠的时间监督分析方法，但目前的进展因缺乏系统的评估框架而受到限制。虽然现有的评估工具如 dynverse 和 scTRAM 能够衡量那些不依赖时间因素的方法在描述细胞轨迹方面的能力，但对于那些依赖时间序列 scRNA-seq 数据的、依赖时间因素的方法，目前还缺乏统一的评估标准。值得注意的是，dynverse 和 scTRAM 仅专注于静态轨迹的推断。因为这些方法并非用于评估那些能够预测或描述细胞状态随时间变化情况的模型。对于那些需要时间序列数据的分析方法，目前的比较研究仅限于小规模的定制化基准测试实验中。目前，大多数研究都集中在基因表达的预测上，而未能对相关的生物学机制进行全面的评估。归根结底，新数据集和新方法的快速生成，需要一个模块化、可扩展且具有良好适应性的测试框架来支持。

在这项研究中，Osakwe等人提出了 scTimeBench （https://github.com/li-lab-mcgill/scTimeBench）这一模块化、可扩展的基准测试框架，用于分析单细胞时间序列数据中的细胞谱系重建与预测过程（见图 1）。该框架为研究人员提供了一种实用的方法，以便他们在不同的数据集和场景下，评估各种方法的性能。具体而言，这些评估指标包括：(1) 随时间推移的基因表达预测精度，(2) 预测得到的潜在空间之间的连贯性，(3) 预测细胞的实际细胞谱系与预测结果的吻合程度。通过对这些指标的评估，明确了基于预测的方法和基于 OT 的方法的局限性，以及它们尚未解决的挑战。

图1 scTimeBench 概览：(A) scTimeBench 为用户提供了用于方法评估的直观界面。用户只需提供 YAML 配置文件，即可指定要使用的模型、数据集和评估指标。(B) 对每种方法的评估指标包括：基因表达的预测准确性、将数据映射到已知细胞类型的效率、以及再现已知细胞分化过程的准确性

参考文献

[1] Osakwe, A., Huang, E. H., & Li, Y. (2026). scTimeBench: a streamlined benchmarking platform for single-cell time-series analysis. Bioinformatics, 42(Supplement_2), btag414. https://doi.org/10.1093/bioinformatics/btag414

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC