Deep generative modeling of transcriptional dynamics for RNA velocity analysis in single cells.
Deep generative modeling of transcriptional dynamics for RNA velocity analysis in single cells.
复制标题
DOI：
10.1038/s41592-023-01994-w
复制
发表时间：
2024-01
期刊：
影响因子：
48
通讯作者：
Yosef N
中科院分区：
文献类型：
--
作者：
Gayoso A;Weiler P;Lotfollahi M;Klein D;Hong J;Streets A;Theis FJ;Yosef N
RNA速度已被迅速采用来指导对快照单细胞数据中转录动力学的解释；然而，目前估计RNA速度的方法缺乏有效的策略来量化不确定性和确定对感兴趣系统的总体适用性。在这里，我们提出了VELOVI(速度变分推理)，一个用于估计RNA速度的深度产生式建模框架。VeloVI学习RNA新陈代谢的特定基因动力学模型，并提供转录组范围内速度不确定性的量化。我们表明，veloVI在拟合优度、转录相似细胞之间的一致性以及量化RNA丰度的前处理管道上的稳定性方面优于以前的方法。此外，我们证明了速度VI的后验速度不确定性可以用来评估速度分析是否适合于给定的数据集。最后，我们强调VeloVI是一个灵活的框架，通过调整基本的动力学模型来使用依赖于时间的转录速率来建模转录动力学。VeloVI通过对基因特定的转录动力学进行深入的生成性建模，提高了RNA速度分析的不确定性、量化和可扩展性。
RNA velocity has been rapidly adopted to guide interpretation of transcriptional dynamics in snapshot single-cell data; however, current approaches for estimating RNA velocity lack effective strategies for quantifying uncertainty and determining the overall applicability to the system of interest. Here, we present veloVI (velocity variational inference), a deep generative modeling framework for estimating RNA velocity. veloVI learns a gene-specific dynamical model of RNA metabolism and provides a transcriptome-wide quantification of velocity uncertainty. We show that veloVI compares favorably to previous approaches with respect to goodness of fit, consistency across transcriptionally similar cells and stability across preprocessing pipelines for quantifying RNA abundance. Further, we demonstrate that veloVI’s posterior velocity uncertainty can be used to assess whether velocity analysis is appropriate for a given dataset. Finally, we highlight veloVI as a flexible framework for modeling transcriptional dynamics by adapting the underlying dynamical model to use time-dependent transcription rates. veloVI enhances RNA velocity analysis with uncertainty quantification and extensibility by deep generative modeling of gene-specific transcriptional dynamics.
登录
查看更多内容
Cobolt：多模式单细胞测序数据的综合分析。
影响因子：
12.3
作者：
Gong B;Zhou Y;Purdom E
通讯作者：
Purdom E
影响因子：
4.6
作者：
Bastidas-Ponce, Aimee;Tritschler, Sophie;Bakhti, Mostafa
通讯作者：
Bakhti, Mostafa
影响因子：
56.9
作者：
Battich, Nico;Beumer, Joep;van Oudenaarden, Alexander
通讯作者：
van Oudenaarden, Alexander
影响因子：
64.8
作者：
La Manno G;Soldatov R;Zeisel A;Braun E;Hochgerner H;Petukhov V;Lidschreiber K;Kastriti ME;Lönnerberg P;Furlan A;Fan J;Borm LE;Liu Z;van Bruggen D;Guo J;He X;Barker R;Sundström E;Castelo-Branco G;Cramer P;Adameyko I;Linnarsson S;Kharchenko PV
通讯作者：
Kharchenko PV
影响因子：
48
作者：
Lange M;Bergen V;Klein M;Setty M;Reuter B;Bakhti M;Lickert H;Ansari M;Schniering J;Schiller HB;Pe'er D;Theis FJ
通讯作者：
Theis FJ