博文

scLS：基于Lomb-Scargle周期图的伪时间差异表达基因检测

已有 264 次阅读 2026-9-19 21:23 |个人分类:科普|系统分类:科普集锦

scLS：基于Lomb-Scargle周期图的伪时间差异表达基因检测

单细胞 RNA 测序技术能够提供生物过程的高分辨率图像，让我们能够从单细胞层面观察各种细胞状态的变化，比如细胞分化、细胞周期以及细胞对各种刺激的反应。实际上，基于单细胞转录组数据的计算分析技术，有助于我们更深入地理解不同学科领域中的细胞动态变化。例如神经元的发育过程、免疫细胞的分化过程，以及病原体的状态转换过程。生物信息学在推动此类分析工作、并将这些技术成果转化为生物学见解方面发挥着核心作用。

迄今为止，生物信息学领域的研究主要集中在开发轨迹推断算法上。大多数轨迹推断方法包括以下步骤：(i)降低基因与细胞之间的矩阵维度；(ii)在降维后的空间中为每个细胞确定其所属的谱系；(iii)为每个细胞分配相应的标签。基于每个细胞与起点的距离来计算“伪时间”。目前已开发出了多种轨迹推断算法，这些算法在维度降维和谱系分配方面各有不同。尽管轨迹推断技术正在不断发展，但用于后续分析的方法仍然不足。

在轨迹分析之后，通常会通过后续分析来识别那些表达量发生改变的基因。在时间序列组学数据分析中，表达量发生改变的基因可分为两类：一类是那些在伪时间轴上表达量呈动态变化的基因；另一类则是那些在两种不同条件下（例如野生型与敲除型），其表达量随伪时间变化的模式有所差异的基因。相应的假设检验分别称为“动态基因表达检验”和“表达模式变化检验”。虽然动态基因表达检验是时间序列组学数据分析中的主流检验方法，但表达模式变化检验同样重要，因为它有助于通过比较野生型与敲除型，以及在不同刺激条件下的表现，来了解基因表达模式的变化。值得注意的是，轨迹分析中识别出的表达量改变的基因，可以用多种方式来描述，包括那些仅发生在特定区域或转换点的变化。在不同条件下，占据各个分支的细胞比例存在差异。因此，所选择的分析方法应与所关注的生物学现象的实质相符合。在本研究中，Iuchi等人致力于开发一种能够同时进行动态基因表达分析和基因表达水平变化分析的算法。

此外，单细胞 RNA 测序实验及分析方法的发展产生了复杂的数据结构，比如具有多个分支的树状结构。因此，需要新的分析方法来处理这些数据。常见的分析方法包括 tradeSeq、PseudotimeDE和 Lamian，这些方法都采用特定的回归模型来描述基因表达作为伪时间函数的平滑变化情况。尽管这类基于回归的方法是目前的主流算法，但它们并不总能很好地描述那些具有多个分支点的树状结构所对应的复杂基因表达模式。在这项工作中，Iuchi等人提出了 scLS 方法（图1，https://github.com/hiuchi/scLS），该方法利用 Lomb-Scargle 周期图来在频率域中表示基因表达模式。而通常用于时间序列分析的快速傅里叶变换则要求数据点必须均匀分布。不过，通过轨迹分析得到的伪时间通常是非均匀分布的，因此基于快速傅里叶变换的方法无法直接应用。在这里，Lomb-Scargle周期图可以将具有非均匀采样点的时间序列数据转换为频域数据。与传统方法相比，scLS 的关键优势在于：它在频域中进行处理，无需指定回归模型或明确的节点分配方式。这样一来，scLS 能够灵活地处理复杂的基因表达模式，包括具有分支结构的基因表达模式，而且无需进行回归模型选择。scLS 旨在筛选出那些在树状结构的数据集中表现出与伪时间相关的动态特性的基因，而无需明确指定节点的分配方式。分支解析解释超出了 scLS 本身的处理范围，需要通过后续的、能够识别不同分支的分析方法才能得到。因此，这是一种适用于对各种轨迹推断结果进行后续分析的理想方法。

图1 scLS流程图

总之，本研究提出了一种基于Lomb-Scargle周期图的算法，用于识别与伪时间相关的关键基因。该方法将 scRNA-seq 分析及轨迹推断所得的伪时间域数据，通过Lomb-Scargle变换为频域数据。这一通用性强的方法可用于对各种轨迹进行基因层面的分析，包括那些具有多个分支点的树状轨迹。通过模拟数据和真实数据集验证了该方法的有效性，证明其是一种可靠且不受模型限制的轨迹分析工具。

参考文献

[1] Iuchi, H., & Hamada, M. (2026). The Lomb-Scargle periodogram-based differentially expressed gene detection along pseudotime. Nucleic acids research, 54(13), gkag682. https://doi.org/10.1093/nar/gkag682

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