夜雨聆风
研究核心亮点
扩散模型预测转录：
搭建 Squidiff 条件扩散模型，依靠隐空间插值精准还原细胞分化连续转录动态。
仅用少量样本，就能预测基因、药物两类单细胞扰动，效果优于 scGen 等旧工具。
器官辐射模拟推演:
依托血管类器官单细胞数据，预测中子辐射及药物干预的细胞转录变化。
引言
■单细胞技术解析细胞异质性，但各类刺激的高通量测序筛选耗力耗财，传统 VAE、图神经网络类预测模型难以捕捉平滑连续细胞过渡状态。
■本文开发 Squidiff 扩散框架，利用生成式 AI 模拟多种细胞刺激转录变化，在类器官辐射损伤场景完成落地验证，为虚拟药物筛选提供生信工具。
本文研究创新性较强，结构严谨。关注生信茧房！私信进行咨询吧！你的下一篇高分论文，说不定就从这里启航！
文献解读
研究背景
01
■单细胞测序成本高、实验周期长，很难批量测细胞分化、药物、辐射等各类刺激下的转录谱。
■现有单细胞预测模型难捕捉瞬时过渡细胞态，插值平滑度差，也无法适配全新药物分子。
■本文构建扩散生成模型，仅靠有限测序数据，虚拟推演各类细胞刺激下的转录变化，降低实验成本。
研究方法
02
1
模型框架搭建
搭建带语义编码器的 DDIM 扩散模型，将转录数据映射至统一语义隐空间。
2
分化轨迹推演
输入首尾时序单细胞数据，隐空间插值补全中间分化阶段完整表达谱。
3
扰动预测分析
向量叠加模拟基因、药物扰动，嵌入分子指纹实现新药物响应预测。
4
器官数据验证
用人血管类器官单细胞数据集，验证辐射、药物干预预测可靠性。
研究结果
01
Squidiff通过去噪预测转录组变化：
■Squidiff 采用扩散模型搭配语义编码器，可把单细胞转录组映射到专属隐空间完成特征提取。
■该工具依靠隐空间向量运算插值推演，能批量预测基因干扰与药物处理带来的转录改变。
图1.Squidiff及其在合成数据上的表现概述。
02
Squidiff预测细胞分化：
■Squidiff 借助语义潜变量计算刺激向量，仅用两端时序数据就能推算分化中间转录图谱。
■模型只训练第 0、3 天 iPSC 单细胞数据，就能精准复原第 1、2 天细胞表达特征。
■通过隐空间向量递推运算，连续推演多阶段干细胞分化的完整基因表达变化。
图2.Squidiff预测细胞分化。
03
Squidiff预测基因和药物扰动：
■Squidiff 依靠语义潜变量向量叠加，模拟双基因协同扰动，不用基因互作图谱就能预测细胞转录改变。
■对比 GEARS、scGen 主流工具，该模型预测结果相关性更高，能精准还原非加性基因干扰的真实表达变化。
图3.Squidiff预测基因和药物扰动。
04
Squidiff预测血管类器官的分化：
■血管类器官异质性强，全程单细胞测序成本高，Squidiff 可弥补这类实验短板。
■仅用血管类器官首尾测序数据，模型就能推演全程细胞分化转录动态。
■该工具精准还原壁细胞向内皮转化的分化轨迹，和实测测序结果匹配。
图4.Squidiff预测血管类器官中的细胞分化过程。
05
中子辐照会破坏结构和新陈代谢：
■选用血管类器官构建辐射损伤模型，测序获取对照与辐照两组单细胞转录数据。
■Squidiff 把辐射刺激转化为隐空间向量，推算各类细胞受辐照后的表达谱。
■模型可精准复刻辐照引发的基因表达改变，与实测单细胞结果高度吻合。
图5.中子照射诱导的血管类器官结构损伤和代谢表型改变。
06
G-CSF可以减轻血管类器官中的辐射损伤：
■仅获取内皮细胞 G-CSF 处理测序数据，Squidiff 就能推算药物对其他血管细胞的转录影响。
■结合通路信息验证预测结果，模型推演的药物基因变化和实测单细胞数据匹配。
图6.G-CSF在防止血管类器官中辐射干扰方面的治疗潜力。
文章小结
■本文搭建 Squidiff 扩散生信模型，依靠隐空间运算精准推演各类单细胞转录扰动变化。
■该工具在干细胞、肿瘤、血管类器官多套单细胞数据集上验证，预测效果优于传统工具。
■模型可虚拟筛选药物并解析辐射损伤通路，但训练算力需求高，仍有优化空间。
如果你想冲击高分，需要生信分析，那就来后台滴滴我们～生信茧房，专业 SCI 生信分析服务等你来！助力你高效推进研究，解锁顶刊密码～
声明：本次分享的内容，都是我日常做生信分析积累的思路和实操经验，仅供圈内伙伴交流复盘。个人理解难免存在疏漏和偏差，并非标准权威解读，欢迎各位同行多多指正，我们一起互相学习、共同提升。
往期回顾
1
2
3
4
