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。
文章预览
2024年 4 月 21日，Trapnell Lab（团队详情见文末）在《 Nature Reviews Genetics 》期刊上发表了一篇题为“Revealing gene function with statistical inference at single-cell resolution”综述论文， 其中指出 单细胞和空间分子谱分析技术在灵敏度、分辨率和通量方面取得了巨大进展。 将这些技术应用于人类和模式生物样本，有望全面分类细胞类型，揭示其在发育过程中的谱系起源，并辨别它们对疾病发病机制的贡献。此外，成本的迅速下降使得可控的扰动实验和队列研究广泛普及，从而阐明了在细胞、组织和整个生物体层面产生表型的机制。 解读即将涌现的大量单细胞数据（其中许多将具有空间分辨率），将给现有的计算流程带来巨大负担。 然而，统计概念、模型、工具和算法可以被重新利用，以解决目前在发育和疾病的遗传和分子生物学研究中出现的问题。在此，
………………………………
