Leveraging SingleCell Data to Define Cell Differentiation Transitions

表型细胞的转变对于促进组织发育、细胞再生、维持和维持动态平衡是不可或缺的。 在这种情况下，一种单一而强大的干细胞类型可能会导致不止一种在功能上截然不同的干细胞类型。 更好地理解细胞命运和决策的动态变化，更好地理解世系和拓扑结构，而不是普通的。 祖细胞必须使每个分化的细胞处于不同的状态，这一点必须完全清楚。同时还发出信号，表明细胞的形态。 结束州、干州和差异化州，这些州通常都有很好的特征，这是最重要的信号。 动力学沿着每个分支的轨迹发展，在一个共同的支流谱系中出现分裂，它们更少。 定义。最近的几种计算方法都集中在定义干细胞分化的干细胞上。 过渡来自单个单元格和数据。定义单元格和单元格过渡的最新时间进展图。 具有挑战性的是，由于失去了细胞状态的连续体，这些州之间可能存在着稳定的状态。而之前的状态 这些努力已经成功地映射出了谱系之间的线性差异，但没有一种新的方法是我们可以做到的。 绘制谱系的分支分化图，具有统计上不可检验的结果。我们的方法主要是借鉴。 概念来自图和理论，其中一个横跨树的树是从一个依赖于密度的树构造而来的。 向下采样一组数据点。分支的谱系和细胞的状态结束(干细胞)和。 不同的细胞(类型)不是通过亲密度来识别的，而是通过图形属性来识别的。由此产生的过渡。 这些地图在全球和全球范围内都得到了统计得分，这取决于它们的整体拓扑结构，以及局部和局部，取决于每个分支机构。 点，并使用一个经过修改的均方根和偏差的平方算法。这是一个最终的过渡地图。 包括一组得分最高的血统，这些血统无法与最大的时空细胞进行比较验证。 我们的最新假说是，细胞的命运决定于它的命运是基于一个细胞。 概率分布以其当前的状态、年龄、以及周围环境的状态为条件。 邻居。从过度复杂的生物成像技术来看，我们将为概率生物细胞的命运和决策建立模型。 使用贝叶斯理论框架，我们可以构建各种拓扑结构，包括信号传递和依赖关系。 肠上皮细胞是我们的新型医疗系统，其最短的周转时间需要连续的手术。 上皮细胞的再生和分化。一旦建立，我们的新模型将为我们提供一个更好的选择。 独一无二的洞察力深入了解了疾病对干细胞分化的细胞转化的影响，为研究铺平了道路。 新的医疗系统是基于治疗学的。

Phenotypic cell transitions are integral to tissue development, regeneration, and homeostasis,  where a single potent cell type can give rise to more than one functionally distinct cell type. To  better  understand  the  dynamics  of  cell  fate  decisions,  a  lineage  topology,  from  common  progenitor to each differentiated cell state, must be known. While signaling profiles of cellular  end  states,  stem  and  differentiated  states,  are  generally  well  characterized,  the  signaling  dynamics  along  each  trajectory  and  at  branch  points,  splits  in  a  common  lineage,  are  less  defined.  Recent  computational  approaches  have  focused  on  defining  stem­differentiated  cell  transitions  from  single  cell  data.  Defining  the  temporal  progression  of  cell  transitions  is  challenging due to the continuum of cell states that exist between stable states. While previous  efforts  have  successfully  mapped  linear  differentiation  lineages,  no  approach  exists  that  can  map  branched  differentiation  lineages  with  statistically  testable  results.  Our  method  borrows  concepts  from  graph  theory,  where  a  spanning  tree  is  constructed  from  a  density­dependent  down  sampled  set  of  datapoints.  Lineage  branches  and  cellular  end  states  (stem  cells  and  differentiated cell types) are identified by closeness, a graph attribute. The resulting transition  maps are statistically scored both globally, on the overall topology, and locally, on each branch  point,  using  a  modified  root­mean  squared  deviation  algorithm.  A  final  transitional  map  comprises a set of top scoring lineages which can be validated against the spatial­temporal cell  progression  of  the  crypt.  Our  hypothesis  is  that  a  cell  makes  its  fate  decision  based  upon  a  probabilistic distribution conditioned on its current state, its age, and the state of its surrounding  neighbors. From hyperplexed imaging technology, we will model probabilistic cell fate decisions  using a Bayesian framework to construct topologies of signaling dependencies. The mammalian  intestinal epithelium is our model system, where its short turnover time necessitates continuous  regeneration and differentiation of epithelial cells. Once established, our model will provide an  unique insight into the effect of disease on stem­differentiated cell transitions, paving the way for  new systems based therapeutics.