Inferencia de trayectorias del destino celular en datos de etiquetado metabólico de ARN resuelto en el tiempo.

La secuenciación de ARN de una sola célula proporciona instantáneas de alta resolución de los estados celulares, pero carece de información directa sobre la dinámica transcripcional. El etiquetado metabólico del ARN aborda esta limitación al distinguir el ARN recién sintetizado, lo que ofrece información sobre la dirección de los cambios en el estado celular y proporciona datos valiosos al intentar recuperar la dinámica continua subyacente a partir de instantáneas estáticas de las distribuciones celulares.

Sin embargo, los métodos existentes de inferencia de trayectorias no aprovechan completamente esta señal adicional. Aquí, proponemos FLOWSATATE, un marco de trabajo para la inferencia de trayectorias de una sola célula que aprovecha el etiquetado de ARN resuelto en el tiempo dentro de un entorno de transporte óptimo. Modelamos la dinámica celular como un flujo de gradiente en un paisaje potencial inferido, parametrizado por una red neuronal, integrando tanto el ARN total como el etiquetado a lo largo de los puntos temporales. El potencial aprendido permite la identificación de genes y factores de transcripción clave que impulsan las decisiones sobre el destino celular y respalda la predicción de futuros estados celulares.

Evaluamos nuestro enfoque en su capacidad para generalizar datos no vistos y recuperar trayectorias coherentes. También lo aplicamos para estudiar la respuesta del cáncer colorrectal al tratamiento con desmetilación, así como la diferenciación neuronal de células madre embrionarias.