单细胞测序只能看到离散快照：潜在细胞状态模型补出未观测时间点的基因表达
核心概要
单细胞RNA测序在测量时破坏细胞，且只在离散时间点采样，因此同一细胞的表达谱无法被连续追踪。Latent Cell-State Model把细胞状态转移近似为马尔可夫链，并引入一个低维连续潜变量，在给定细胞状态、时间与基因的条件下生成表达计数。在胰腺发育与Waddington-OT重编程两个数据集上，该模型对留出时间点生成样本与真实样本的最大均值差异分别为0.011和0.006（胰腺第3天、第6天）以及0.030和0.018（重编程第3.5天、第4天），低于所比较的三种方法。
深度剖析
细胞轨迹重建现在可以同时给出每个细胞的隐藏状态和该状态下的基因表达，而不只是插值出表达数值。 此前的轨迹方法要么在相邻观测时间点之间插值、不建模连续时间动态，要么学习从起点到终点的整体速度场，对每个观测时间点的表达分布考虑较少；两类方法都无法刻画决定表达谱的细胞隐藏状态。 在胰腺数据集第5阶段留出第3天与第6天、在Waddington-OT数据集留出第3.5天与第4天，生成样本与真实样本的最大均值差异在胰腺为0.011和0.006，在重编程数据为0.030和0.018，均低于scNODE、scDiffusion与ARTEMIS三种对照方法。
模型把细胞演化写成一条只向前走的离散状态链，再由状态、时间和一个低维潜变量共同决定每个基因的表达计数。 状态转移用一个上三角约束的马尔可夫转移矩阵参数化，反向转移概率被置零，初始状态分布由softmax给出并在所有细胞间共享。 基因表达按负二项分布建模以容纳单细胞计数的稀疏与过离散，均值分解为细胞总计数与基因相对丰度之积；因潜变量积分不可解，训练最大化变分下界，网络输出均值与离散度参数。
学到的细胞状态可以按已知标记基因逐一注释，使生成的高维表达谱能落到可读的生物学身份上。 胰腺数据上12个状态被注释为胰腺祖细胞样、内分泌诱导早期与确立期、分化中的内分泌中间态、SC-EC样、α样与β样等身份；重编程数据上3个状态被注释为基质样、可塑性中间态与收缩性基质样。 注释依据各状态前20个差异表达基因（Wilcoxon秩和检验）以及SOX9、PDX1、NEUROG3、PAX4、INS、GCG、Col6a1、Tagln等经典标记基因的均值表达与表达细胞比例，并与基于表达分布的条件分析结果大体一致。
启示与展望
展示范围限于两个转录组时间序列数据集：胰腺分化第5阶段第0至7天（留出第3、6天）与Waddington-OT小鼠胚胎成纤维细胞重编程第0至8天（留出第3.5、4天），评估指标为生成样本与真实样本在50维主成分空间中的最大均值差异及UMAP可视化。作者提出未来把框架扩展到跨多个分子层，以刻画转录组之外的演化动态。
这是一份未经同行评审的预印本。模型在胰腺数据上取12个状态、在重编程数据上取3个状态，均由验证集平均ELBO的消融选定；评估以分布层面的最大均值差异和二维UMAP为主，状态注释依赖已知标记基因与参考数据。作者指出当前工作主要针对scRNA-seq时间序列数据。