分化是支持所有多细胞生物发育和功能的动态过程。了解细胞如何沿着分化轨迹分布对解析驱动分化的机制、找出关键调控因素以及表征疾病中的失调至关重要。细胞状态密度是这种细胞分布的表现，受到基本生物过程的影响。增殖会增加某一状态下的细胞数目，从而提高细胞状态密度，而凋亡则降低细胞状态密度。细胞可能会聚集到检查点，导致高密度区域。相反，转录加速（如稀有的过渡性细胞）会导致低密度区域。因此，分化景观中的细胞状态密度可能并不均匀，而是表现出高低密度区域的丰富异质性。尽管细胞状态密度非常重要，但目前的单细胞数据高维密度估计算法通常产生噪声较大的结果，难以提供生物学上有意义的解释。

本文介绍了一种新算法Mellon，用于稳健地估计单细胞数据中的细胞状态密度。Mellon使用高维表示的细胞状态（如扩散图），依赖邻近距离和密度之间的内在关系，通过最近邻距离的分布与细胞状态密度相关联。然后，Mellon使用高斯过程连接高度相似的细胞状态之间的密度，计算出表征单细胞表型景观的细胞状态密度。与现有方法不同，Mellon推断出高维细胞状态空间中的连续密度函数，捕捉整个细胞群体的基本特征。该密度函数可用于确定单细胞分辨率的细胞状态密度。

Mellon旨在计算高维单细胞表型景观中的细胞状态密度，解决高维数据计算复杂性和低密度状态下的密度估计难题。

主要步骤：

1. 数据表示：使用扩散图（或其他降维技术如PCA）将细胞在高维表型空间中表示出来，每个点代表一个细胞状态。

2. 计算邻近距离：计算每个细胞在细胞状态空间中与其最近邻细胞之间的距离。

3. 密度估计：利用泊松点过程，通过邻近距离推断局部细胞密度。高密度区域对应较短的邻近距离，低密度区域对应较长的邻近距离。

4. 平滑密度函数：

• 高斯过程（GP）：使用GP模型近似平滑的密度函数。GP通过协方差核函数编码细胞状态相似性，确保相关细胞之间的信息共享，从而生成连续的密度函数。

• 平滑过渡：假设细胞密度从一个状态到另一个状态是平滑且连续的，即相似细胞状态具有相似密度。

5. 贝叶斯推断：采用稀疏GP进行可扩展的贝叶斯推断，适用于大规模单细胞数据集。

Mellon能够推断单细胞和染色质数据的密度，适用于不同的单细胞模式。

Mellon能够识别稀有且生物学上重要的细胞群体，揭示低密度区域中的快速转录变化由细胞自主和外部因素共同塑造。

在时间序列数据集中，Mellon通过构建时间连续的密度函数，提供了高分辨率的发育过程描绘，揭示了稀有过渡细胞状态和重要的发育转变。

这些发现展示了Mellon在揭示发育过程中的潜力，尤其是在识别和理解稀有转变细胞状态方面。

参考文献：Nature Methods, 2024, doi.org/10.1038/s41592-024-02302-w