作为一种端到端的动态、可解释和可操作的模型，RegVelo 与其他专注于通过基因调控解释细胞动力学的研究不同，这些研究通常需要非线性模型，如支持向量机或变分自动编码器，来预测转录组中的 RNA 速率。RegVelo 在三个方面比这些方法具有显著优势：1）这些方法依赖于忽略调控事件的模型中预先定义的细胞速率估计，相反，RegVelo 同时学习基因调控和细胞速率。2）RegVelo 将基因调控纳入速率估计，整合了从各种模态中学到的关于 GRN 结构的先验知识，如染色质可及性。3）以前用于估计剪接动力学的模型通过手动激活或抑制基因表达来预测扰动效应，其中输出表示每个细胞的即时扰动方向。重要的是，经典的 RNA 速率方法研究完全解耦的系统，从而忽略基因-基因依赖性，因此无法预测扰动效应。然而，RegVelo 通过直接改变底层调控架构并模拟受扰调节系统下的基因表达动态来编码扰动。这种正向模拟可以预测潜伏时间内的非线性扰动效应，而不是只关注直接的一阶方向，从而忽略长期后果。通过成功恢复斑马鱼神经嵴细胞发育中早期表达的谱系驱动因素，研究人员证明了 RegVelo 预测调节剂的这种长期影响的能力。值得注意的是，研究人员使用体内扰动实验来验证四个谱系的 TF 扰动效应预测。他们的结果表明，与现有的基于动力学的扰动预测方法相比，他们的结果有显著改进，且 GRN 注入混合模型有望比纯基于数据的生成模型对分布外数据更具鲁棒性。RegVelo 是第一个将目前使用的 RNA 速率模型从纯粹的从头发现工具（用于轨迹推断）扩展为基因调控动力学模拟器的模型，但为未来的扩展留下了空间。虽然这种结合可能违背其作为无监督轨迹推断工具的固有特性，但 RegVelo 也可用作转录调控的模拟器，提供对基因调控和细胞命运启动的洞察，这些洞察远比仅仅重述整体轨迹更有价值。参考教程：https://github.com/theislab/regvelo联系站长——滑到最后一张图扫码进群。
