從「靜態快照」到「動態演化」

在單細胞轉錄組測序（scRNA-seq）分析中，軌跡與擬時序分析是探索細胞動態演變過程的核心技術。此區塊解釋了如何從破壞性的測序數據中，重建細胞生命週期。

📸 為什麼需要軌跡分析？

在生物學實驗中，scRNA-seq 測序會裂解細胞，因此我們只能得到某個時間點的細胞狀態（靜態快照）。然而，在發育或分化過程中，細胞的狀態是連續變化的。

核心假設： 群體中不同細胞正處於分化路徑上的不同階段。透過比較細胞間基因表達的相似性，我們可以推斷出它們的演變路徑。

⏱️ 什麼是擬時序 (Pseudotime)？

擬時序並不是現實世界中的「秒」或「小時」，而是衡量細胞在某個生物過程（如分化）中進展程度的一個相對數值。

▪ 基於基因表達特徵計算出的抽象軸。
▪ 數值越小： 通常代表細胞越處於「起始狀態」（如幹細胞）。
▪ 數值越大： 代表越「成熟」或處於分化末端。

概念互動：構建擬時序

點擊下方按鈕，觀察如何將隨機捕獲的靜態細胞（散亂分佈）依據基因相似性排列成連續的發展軌跡（擬時序）。

起始狀態 (Root)

成熟狀態 (Terminal)

標準工作流程

軌跡分析有一套標準的計算流程。點擊左側的步驟，在右側查看該步驟的技術細節與目標。

STEP 1

降維 (Dimensionality Reduction)

將數萬個基因的表達矩陣投射到低維空間（如 UMAP, t-SNE 或 Diffusion Maps）。這一步非常關鍵，它能使基因表達特徵相似的細胞在二維或三維空間中聚集在一起，從而暴露出潛在的分化趨勢與物理結構。

常見的軌跡拓撲類型

不同的生物學過程對應不同的軌跡結構。點擊下方按鈕，在圖表中模擬觀察不同類型的細胞群體分佈拓撲。顏色從藍色到紅色代表擬時序（Pseudotime）的推進。

工具選擇與下游分析

軌跡構建只是起點。了解各類算法的適用場景，並深入進行基因動態分析與避開常見陷阱，才能挖掘出真正的生物學意義。

🧰 主流分析工具與算法

最主流推薦

Monocle3

基於學習主圖（Principal Graph），支持複雜分支與多個起點。

適用場景： 大規模數據與複雜分枝結構。

具備方向性

scVelo / Velocyto

RNA 速率分析 (RNA Velocity)。利用未剪接與已剪接 mRNA 的比例推斷未來狀態。

優勢： 不需要手動指定起點即可預測演化趨勢向量。

Slingshot

基於聚類中心構建最小生成樹，擬合平滑曲線。

結果穩定，依賴聚類

PAGA

估計細胞群體間的連接強度，處理混合拓撲。

適合極大/極複雜數據

Diffusion Maps

利用擴散距離捕捉細微連續變化。適合單一、線性的分化路徑。

🔬 軌跡分析後的下游研究

A. 擬時序差異基因分析 (BEAM)

尋找表達水平隨擬時序變化的動態基因。包含：早期驅動基因 (起始)、分支特異性基因 (命運選擇)、末端標誌基因 (成熟特徵)。

B. 分支點分析 (Branch Point Analysis)

在分叉點之前，分析哪些基因的表達失衡導致了細胞選擇路徑 A 而非路徑 B，揭示命運決定機制。

C. 轉錄調控網絡推斷

結合 TF（轉錄因子）分析（如 SCENIC），觀察調控網絡隨時間的動態切換。

⚠️ 注意事項與挑戰

▪ 過度解釋： 算法總能畫出一條路徑，但其生物學意義必須通過實驗（如 lineage tracing）驗證。
▪ 數據缺失 (Dropout)： scRNA-seq 的噪音可能導致軌跡斷裂或產生虛假的分支。
▪ 密度偏差： 若中間過渡態細胞數量極少，算法可能無法將起點與終點正確連接。
▪ 根節點指定： 錯誤的起點會導致整個擬時序的生物學方向完全相反。