STORIES: learning cell fate landscapes from spatial transcriptomics using optimal transport¶

作者: Geert-Jan Huizing, Jules Samaran, Daniele Capocefalo, Anna Audit, Gabriel Peyré et al.
来源: Nature Methods
主题: 其他
相关性: 7/10
链接: https://doi.org/10.1038/s41592-025-02855-4

一、这篇论文属于什么学科、要解决什么¶

学科定位：本文属于计算生物学（Computational Biology）的一个新兴子领域——空间转录组学（Spatial Transcriptomics）。这个学科的核心科学问题是：细胞在组织中的空间位置如何影响其基因表达和命运决定？ 传统转录组学（如单细胞RNA测序）把细胞从组织中解离出来，丢失了空间信息；空间转录组学则能在保留组织切片结构的同时测量每个位置的基因表达水平。这个领域目前正处于爆发期——实验技术（如Stereo-seq、MERFISH、Visium）快速迭代，但配套的计算方法（尤其是推断细胞随时间变化的轨迹）仍不成熟。
本文的位置：它针对的是从多个时间点的空间转录组数据中推断细胞命运轨迹（cell fate trajectory inference）这一具体问题。为什么现在做？因为最近出现了大型时空图谱数据集（如蝾螈神经再生、小鼠脑发育），提供了同一组织在多个时间点的空间表达数据，但现有方法要么忽略空间信息（只把细胞当独立点），要么无法处理时间演化。本文用最优传输（Optimal Transport）框架把时间和空间信息统一建模。

二、关键术语扫盲¶

空间转录组学（Spatial Transcriptomics）：一种实验技术，在组织切片上测量每个空间位置（通常是一个小圆点或细胞）的基因表达水平。输出是一张“地图”——每个坐标点对应一个基因表达向量。
Stereo-seq：一种高分辨率空间转录组技术，由中国华大基因开发，能覆盖厘米级组织切片，单细胞分辨率。本文使用的三个大型数据集均来自此技术。
细胞命运（Cell Fate）：一个细胞最终会分化成什么类型的细胞（如神经元、胶质细胞、肌肉细胞）。细胞命运轨迹描述的是从干细胞/祖细胞到终末分化细胞的路径。
细胞命运景观（Cell Fate Landscape）：一个比喻——把细胞状态（基因表达模式）看作一个地形图，山脊代表不稳定的中间状态，山谷代表稳定的终末状态。细胞分化就像小球从山顶滚向山谷。
最优传输（Optimal Transport, OT）：一种数学框架，用于找到将一种概率分布“搬运”成另一种概率分布的最小成本方式。在本文中，它被用来建模细胞状态分布从一个时间点到下一个时间点的演化。
Wasserstein 梯度流（Wasserstein Gradient Flow）：一种连续时间版本的OT，描述概率分布沿着某个势函数（potential function）的梯度方向演化。本文用它来建模细胞命运景观——势函数的值越低，细胞状态越稳定（即终末分化状态）。
势函数（Potential）：一个定义在细胞状态空间上的标量函数，其梯度决定了细胞状态演化的方向。在本文中，势函数由神经网络参数化，学习后可以预测每个细胞状态的“分化潜力”。
空间一致性（Spatial Coherence）：一个评估指标，衡量推断出的细胞命运轨迹是否与组织的空间结构一致——例如，相邻细胞应该倾向于有相似的命运轨迹。
标志基因（Marker Gene）：已知只在特定细胞类型中高表达的基因，用于验证推断结果。例如，Nptx1 是神经元再生的标志基因，Aldh1l1 是胶质细胞生成的标志基因。
Stereo-seq 时空图谱（Spatiotemporal Atlas）：一个数据集，包含同一组织（如蝾螈脊髓、小鼠大脑）在多个时间点的空间转录组数据，构成一个“时间序列的空间地图”。

三、这个领域的人在关心什么¶

这个领域的研究者追问的核心问题是：组织中的细胞是如何在空间和时间上协调地分化、迁移和相互作用的？ 传统上，发育生物学通过显微镜观察形态变化，但无法同时测量分子层面的基因表达。单细胞RNA测序（scRNA-seq）解决了分子层面的问题，但丢失了空间位置——你知道了细胞是什么类型，但不知道它在组织中的哪里。空间转录组学把这两者结合起来，但带来了新的计算挑战：如何从“快照”（多个时间点的静态切片）中重建动态过程？

当前主流的方法可以分为两类： - 基于单细胞RNA测序的轨迹推断方法（如 Monocle 3, Slingshot）：这些方法假设细胞状态在低维流形上演化，但完全忽略空间信息——它们把每个细胞当作独立样本，不考虑相邻细胞之间的相关性。这在空间转录组数据中会丢失关键信息，因为细胞命运往往受到局部微环境（niche）的影响。 - 基于空间转录组的方法（如 novoSpaRc, CellRank）：这些方法开始引入空间信息，但通常只处理单个时间点，或者把时间点当作独立样本分别分析，无法建模时间上的连续演化。

本文的贡献在于：它把最优传输框架扩展到空间转录组数据，通过引入一个空间信息约束的势函数，同时利用了时间（多个时间点）和空间（相邻细胞）的信息。与现有方法（如 novoSpaRc, Waddington-OT）相比，STORIES 在三个大型 Stereo-seq 数据集上展现出更优的空间一致性——即推断出的轨迹更符合组织的空间结构。

四、数据问题¶

数据来源：三个公开的 Stereo-seq 时空图谱数据集：(1) 蝾螈脊髓再生（4个时间点），(2) 小鼠大脑发育（多个时间点），(3) 小鼠胶质细胞生成（多个时间点）。数据由合作实验室提供，通过 Stereo-seq 实验技术获得。
数据形态：每个数据集是一个空间网格上的基因表达矩阵——每个空间位置（spot）对应一个基因表达向量（约 20,000 个基因）。空间分辨率约为单细胞级别（每个 spot 直径约 0.5-1 μm）。数据量级：每个时间点约 10,000-100,000 个 spot，总数据集约 50,000-500,000 个 spot。
结构特征：空间网格结构——spot 在二维平面上排列，相邻 spot 之间有空间相关性。时间序列结构——多个时间点构成一个离散的时间序列，但时间点之间的间隔不均匀（取决于实验设计）。层次结构——每个 spot 可能包含多个细胞（取决于分辨率），但本文假设每个 spot 代表一个细胞。
Noise & 测量误差：空间转录组数据有严重的测量噪声——基因表达是计数数据（UMI counts），服从负二项分布（overdispersed Poisson）。此外，存在dropout 现象（大量基因表达为零，即使基因实际表达）。噪声在空间上不是独立的——相邻 spot 的测量误差可能相关（由于组织切片处理、探针杂交等实验步骤）。
Selection / Bias / 缺失：空间采样偏差——Stereo-seq 覆盖整个组织切片，但组织边缘和内部区域的细胞密度不同。时间采样稀疏——只有几个离散时间点，无法捕捉连续动态。基因缺失——空间转录组通常只测量部分基因（取决于探针设计），但 Stereo-seq 是全长转录组，覆盖较全。
哪些是“漂亮的统计学问题”：空间相关噪声建模（如何区分真正的生物学空间相关性和测量误差的空间相关性？）、多时间点对齐（不同时间点的组织切片来自不同个体，如何对齐？）、缺失数据下的轨迹推断（只有几个时间点，如何推断连续轨迹？）。哪些是纯工程/领域难题：组织切片处理、探针设计、图像配准——这些是实验技术问题，不是统计问题。

五、方法与模型问题¶

方法重述：STORIES 的核心思想是：假设细胞状态（基因表达）在时间上的演化遵循一个Wasserstein 梯度流，即细胞状态分布沿着某个势函数 \( \Phi \) 的梯度方向移动。这个势函数 \( \Phi \) 由神经网络参数化，输入是细胞状态（基因表达向量）和空间位置（x, y 坐标），输出是一个标量（势能值）。训练目标是最小化模型预测的细胞状态分布与观测分布之间的 Wasserstein 距离。
关键假设：
细胞状态演化是连续的——相邻时间点之间的细胞状态分布可以通过最优传输对齐。
势函数是空间信息的函数——相同基因表达但不同空间位置的细胞可能有不同的势能（即分化潜力不同）。
细胞数量守恒——没有细胞分裂或死亡（这是一个简化假设，实际不成立，但通过正则化处理）。
推断 / 计算手段：神经网络（MLP）参数化势函数 + 最优传输（Sinkhorn 算法）计算 Wasserstein 距离 + 梯度下降优化。计算复杂度主要来自 Sinkhorn 迭代（每次迭代 O(n²)），但通过小批量采样和 GPU 加速处理。
核心结论 + 不确定性量化：结论是 STORIES 能恢复已知标志基因的表达趋势（如 Nptx1, Aldh1l1），并识别新的候选驱动基因。不确定性量化几乎不存在——没有置信区间、没有后验分布、没有敏感性分析。评估主要靠与已知标志基因的定性比较和空间一致性指标（一个标量分数）。这是该领域方法的普遍问题——生物学验证（如基因敲除实验）才是最终的不确定性量化手段。

六、对统计学家的判断¶

这篇文章作为科普读物质量如何？
4/5 星。对统计学家来说，这是一篇不错的入门读物——它清晰阐述了空间转录组学的问题设定、数据结构和现有方法的局限。最优传输部分写得比较抽象（需要读者自己补 OT 知识），但整体自包含。读完能理解“为什么空间信息重要”以及“最优传输如何用于轨迹推断”。扣一星是因为方法细节不够透明（神经网络架构、超参数选择、计算成本）——作为 Nature Methods 的方法学论文，这些本应更详细。
这里面有没有统计学家会觉得有意思的东西？
科学趣味性：高。空间转录组学是一个新兴且快速发展的领域，其核心问题——从空间快照中重建动态过程——本身就是一个迷人的统计推断问题。它结合了空间统计、时间序列分析和高维数据建模，对任何对“如何从观测数据中推断因果/动态过程”感兴趣的统计学家都有吸引力。
方法学空间：中等。本文的方法学核心（最优传输 + 神经网络势函数）本身不是统计创新——它是将已有的 Wasserstein 梯度流框架（由 Peyré 等人开发）应用到新数据模态。但数据特性确实提出了有趣的统计挑战：
- 空间相关噪声建模：如何区分真正的生物学空间相关性和测量误差的空间相关性？这需要空间统计模型（如高斯过程、马尔可夫随机场）与最优传输框架的结合——目前的方法完全忽略了这一点。
- 多时间点对齐中的测量误差：不同时间点的组织切片来自不同个体，存在个体间变异。如何将这种变异纳入模型？这类似于因果推断中的“多个时间点面板数据”问题。
- 不确定性量化：目前方法完全不量化不确定性。一个贝叶斯版本的 STORIES（在势函数上放置先验，通过后验采样得到轨迹的不确定性）会是一个有意义的统计贡献。
现实相关性：中等。空间转录组数据的问题模式（空间网格 + 高维表达 + 时间序列）在统计学家的工作中不常见，但空间相关数据 + 动态过程的模式在地统计学、流行病学、神经影像学中都会出现。最优传输本身也是一个越来越通用的工具（在生成模型、因果推断中都有应用）。
明确结论：一般科普读读即可。这篇文章值得读，因为它展示了一个有趣的新数据模态和一个优雅的数学框架（最优传输）的应用。但方法学上，它没有提出新的统计挑战或创新——核心工具（Wasserstein 梯度流、Sinkhorn 算法）都是现成的。对于统计学家来说，它更像是一个“应用案例”而非“方法学启发”。
武器库匹配度（轻量，点到即可）：
无明显接口。你的 very_familiar 武器（非参数统计、极小极大界、U-统计量、逆问题、高维渐近、因果推断）与本文的核心工具（最优传输、神经网络势函数）没有直接重叠。最优传输是一个独立的数学领域，不在你的技术武器库中。如果你想深入这个方向，需要先熟悉 OT 理论（从 Villani 的教材开始）和 Sinkhorn 算法——这属于 moderately_familiar 之外的新工具。纯科普阅读，无方法学迁移点。
如果想进一步了解这个话题，下一步读什么？
入门综述：本文引用了 Schiebinger et al. (2019) 的“Optimal-Transport Analysis of Single-Cell Gene Expression Identifies Developmental Trajectories in Reprogramming”（Cell）——这是将最优传输用于单细胞轨迹推断的奠基性工作，比本文更早、更经典。建议先读这篇，理解 OT 在生物学中的基本用法。
奠基论文：本文引用了 Peyré & Cuturi (2019) 的“Computational Optimal Transport”（Foundations and Trends in Machine Learning）——这是 OT 计算的权威综述，适合想深入理解 Sinkhorn 算法和 Wasserstein 距离的读者。
动手数据集：本文使用的三个 Stereo-seq 数据集来自 Chen et al. (2022) 的“Spatiotemporal transcriptomic atlas of mouse organogenesis”（Cell）和 Wei et al. (2022) 的“Spatiotemporal transcriptomic landscape of axolotl spinal cord regeneration”（Nature Communications）。这些数据集在 GEO 或 CNO 数据库公开可用，但处理需要一定的生物信息学技能。更友好的入门数据集是 10x Genomics 的 Visium 公开数据（如人类乳腺癌、小鼠脑切片）——虽然只有单时间点，但适合练习空间转录组数据的预处理和可视化。

七、术语小抄¶

英文术语	中文	一句话解释
Spatial Transcriptomics	空间转录组学	在组织切片上测量每个位置的基因表达，保留空间信息
Stereo-seq	立体测序	华大基因开发的高分辨率空间转录组技术
Cell Fate Trajectory	细胞命运轨迹	细胞从干细胞到终末分化状态的路径
Cell Fate Landscape	细胞命运景观	用势函数地形图比喻细胞分化的稳定与不稳定状态
Optimal Transport (OT)	最优传输	找到将一种概率分布搬运成另一种的最小成本方式
Wasserstein Gradient Flow	Wasserstein 梯度流	概率分布沿着势函数梯度方向连续演化的模型
Potential Function	势函数	定义在细胞状态空间上的标量函数，决定分化方向
Spatial Coherence	空间一致性	推断轨迹与组织空间结构相符的程度
Marker Gene	标志基因	已知只在特定细胞类型中高表达的基因，用于验证
Dropout	丢失事件	空间转录组中基因表达被错误测量为零的现象
Sinkhorn Algorithm	Sinkhorn 算法	计算最优传输的快速迭代算法
UMI Counts	唯一分子标识符计数	单细胞/空间转录组中基因表达的原始计数单位

Maintained by 陈星宇 · Homepage · Source on GitHub