说在前面
说到细胞分化轨迹的推断，想必很多小伙伴第一会想到的是monocle2这个软件，但是它只能做到oneshot，不能捕捉到细胞分化的动态过程。另一种高阶的算法是RNA速率(RNA velocity)，它是通过基因剪切前后的变化来推断细胞的分化轨迹，相对于monocle2来说RNA速率的结果更准确，但是使用起来比较费劲，输入文件必须是原始测序得到的碱基序列。
那么，今天Immugent介绍的这款软件：CellRank，是在RNA速率的基础上进行升级而成，该工具的kernel支持多种格式的输入数据，包括RNA velocity, cellular similarity (both transcriptomic and spatial), pseudotime以及其他多种形式。此外，CellRank结合了轨迹推断的稳健性和RNA速度的方向性信息，综合考虑了细胞命运决定的渐进性和随机性，以及速度矢量的不确定性。相应文章发表在Nature methods上，通讯作者正是大名鼎鼎的Fabian J. Theis，Scanpy和scVelo也都是由这个课题组开发的，因此这个团队推出的软件是很值得我们学习的。
由于CellRank是基于Python构建的算法，而小编使用Python并不熟练，因此下面就简单根据文章内容进行介绍。
研究内容
CellRank算法旨在对细胞状态进行系统的动态建模，它可以通过细胞之间的相似性，结合RNA速率来确定细胞群中处于初始和终端状态的细胞，并可以绘制出细胞命运潜能的全局轨迹图。
CellRank与其他同类算法不同的是，其可以根据scRNA-seq数据库建立细胞命运的初始、中间以及最终的细胞命运，并计算细胞命运出现的概率，从而揭示细胞命运决定的随机性以及RNA速度预估的不确定性。随后，通过根据其伪时间峰值排序假定的调控因子，CellRank能可视化具体的调控细胞轨迹发育的基因的表达，同时可解释细胞命运决定的连续性。
此外，CellRank可通过谱系追踪，找出细胞发生重编程的概率。
作者使用CellRank对48,515个小鼠胚胎成纤维细胞重编程的数据库进行映射，并且通过对6个时间点诱导处理的内胚层祖细胞进行分析，发现相对于细胞命运状态的概率计算以及与细胞谱系追踪标签。从分析结果来看，CellRank方法对重编程结果有着很高的预测性。
除此之外，作者也对小鼠中急性肺损伤后细胞谱系的再生过程进行了探究，将CellRank方法应用于Drop-seq数据之中，可以对呼吸道细胞谱系模型中再生的细胞命运进行检测。
最后，作者还将CellRank方法与已有的一些细胞命运追踪方法Palantir、STEMNET以及 FateID等方法进行比较。结果显示只有CellRank方法能够正确识别细胞正确的初始以及终末分化状态，而且CellRank方法运转速度很快，需要电脑内存也很小，因此可以直接在个人电脑上进行使用。
小结
下面总结一下CellRank的主要功能：
1.计算用户生物系统的初始&终点以及中间状态；
2.推断每个细胞朝着终点转化的fate probabilities；
3.在考虑分化轨迹连续性的基础上，可视化特定谱系的基因表达趋势；
4.对特定的****细胞轨迹，识别潜在的驱动基因。
总的来说，CellRank建立了基于RNA动力学变化的方式建立了一种更加稳健的细胞轨迹分析算法，可以对不同场景中细胞命运进行追踪，并且不依赖于已知细胞命运方向，可以对再生、重编程等复杂的细胞命运轨迹进行预测。此外，CellRank可以直接使用RNA速率和转录组学相似性来估算细胞之间转换概率，即使没有RNA速率的信息，也可以应用CellRank，但是作者仍然推荐大家结合RNA速率和相似性对细胞分化轨迹进行推断。
好啦，本期分享到这就结束啦，我们下期再会！
