综述: 利用单细胞水平的统计推断揭示基因功能 || Nature Reviews Genetics

主要观点总结

本综述讨论了单细胞和空间分子谱型分析技术在揭示基因功能方面的应用，并强调统计工具在解释这些技术数据中的关键作用。文章详细介绍了单细胞分辨率表型分析、基因调控建模、解开相互作用和依赖关系、解析基因回路以及预测细胞命运的方法。此外，还强调了基因组技术和统计工具进一步发展的领域，包括定制统计软件、统计教育、以及统计学家、遗传学家和技术开发人员之间更紧密沟通的需求。同时，文章也承认了机器学习对生物学的影响，并强调了将统计和深度学习方法与实际实验相结合的重要性。

关键观点总结

关键观点1: 单细胞分辨率表型分析

介绍了识别与疾病相关的细胞类型和基因的方法，以及可作为治疗目标的机制。还讨论了通过比较转录组与参考细胞图谱进行细胞类型注释的方法，以及利用回归模型比较不同样本间细胞类型丰度的策略。

关键观点2: 基因调控建模

讨论了定量基因转录模型的重要性，并对比了机械模型与更抽象的功能。介绍了线性模型和贝叶斯网络在描述输入之间如何相互作用方面的效用。

关键观点3: 解开相互作用和依赖关系

探讨了细胞如何从单个细胞起源、交流并依赖彼此形成有序组织。讨论了使用空间转录组学和蛋白质组学技术表征细胞类型之间的信号依赖关系，以及应用空间统计量化细胞位置对其形式和功能贡献的方法。

关键观点4: 解析基因回路

探讨了推断基因如何相互调节的挑战，并介绍了使这一问题更易处理的统计策略，如减少推理中的基因或基因对数目，通过CRISPR扰动基因，并从各种条件收集大量数据。

关键观点5: 预测细胞命运

讨论了预测未来细胞命运和功能的方法，包括轨迹推断和时间序列分析。介绍了如RNA速度和计算工具CellOracle及深度学习方法预测在遗传、环境或其他扰动下细胞状态和命运的技术。