细胞走过的路，RNN 还记得——轨迹推断里的循环网络

在上一篇文章中，我们讨论了为什么生物序列数据天然适合用循环网络来处理。DNA、RNA、蛋白质都是一维序列，碱基和氨基酸的排列顺序本身就携带信息，而 RNN 的设计恰好对应了这个特征：按顺序读取、维护上下文状态、逐步积累信息。

这篇文章要讨论一个更具体的问题：在单细胞生物学中，有一类任务的核心挑战恰好是”顺序”——这就是细胞轨迹推断。

问题：我们只看到了”快照”

单细胞 RNA 测序（scRNA-seq）是一项改变了生物学研究方式的技术。它可以在一次实验中同时测量数千个甚至数万个细胞的基因表达状态，让我们看到一个组织中所有细胞的”全景图”。

但这项技术有一个根本性的限制：它是破坏性的。 测序过程会裂解细胞，所以我们没办法对同一个细胞在不同时间点重复测量。我们拿到的是一张”快照”——所有细胞在某一时刻的状态，而不是每个细胞从出生到现在的完整记录。

这就带来了一个核心问题：从一张快照中，能不能推断出细胞走过什么路？

比如，我们拿到一批造血干细胞和各种成熟血细胞的混合样本。我们知道这些细胞处于不同的分化阶段，但不知道哪些细胞正在分化成什么，也不知道分化的路径是什么样的。这种从静态数据推断动态过程的任务，就是”轨迹推断”（trajectory inference）。

RNA velocity：从”未完成的转录本”推断方向

2018 年，La Manno 等人在 Nature 上发表了 RNA velocity 方法，为轨迹推断提供了一个巧妙的思路。

核心逻辑是这样的： 基因转录是一个过程——先转录出前体 mRNA（unspliced），再经过剪接变成成熟 mRNA（spliced）。如果一个基因正在被激活，那么在任何给定时刻，细胞中会同时存在较多的未剪接转录本和正在增长的已剪接转录本。反过来，如果一个基因正在被关闭，未剪接转录本会很少，而已剪接转录本还在衰减过程中。

通过同时测量 unspliced 和 spliced RNA 的比例，可以估计每个基因在每个细胞中的”速度”——它是在被激活还是在被关闭。把这些基因层面的速度汇总起来，就能推断出每个细胞整体上在往哪个方向走。

这是一个重要的突破，但需要准确理解它的适用范围。 RNA velocity 依赖一个简化的动力学模型：假设每个基因的转录和剪接可以用一个常微分方程（ODE）描述。这个假设在很多情况下成立，但不是所有情况下都成立。当基因的转录速率随时间变化、或者存在多个调控机制时，这个简化模型可能不够准确。

2020 年，Bergen 等人在 Nature Biotechnology 上发表了 scVelo，用更灵活的动力学模型替代了原来的稳态假设，改进了 RNA velocity 在复杂场景下的表现。但即便如此，RNA velocity 仍然是一个基于模型假设的估计方法，不是对真实细胞运动的直接观测。

神经网络介入：NARVI 补上缺失的基因

RNA velocity 在实际应用中遇到的一个常见问题是：很多基因的速度算不出来。

原因可能是这些基因的表达量太低、unspliced 和 spliced 的比例不够稳定、或者不符合模型的假设条件。在典型的数据集中，可能有 30% 到 50% 的基因无法计算 velocity，这些基因就被称为”dropped genes”。

2026 年，Egami 等人在 iScience 上发表了 NARVI（Neural Network-Assisted RNA Velocity Imputation），提出用深度学习来填补这些缺失的速度值。

NARVI 的思路是： 先用现有的工具（比如 scVelo 或 UniTVelo）对能算的基因计算速度，然后训练一个神经网络来学习”基因表达模式”和”RNA velocity”之间的关系。训练好之后，用这个模型去预测那些原来算不出来的基因的速度。

在造血细胞和肺上皮细胞的数据集上，NARVI 成功恢复了数千个原本无法计算速度的基因的 velocity 估计值。这些补充的速度信息改善了下游的轨迹推断和标志基因分析。

需要明确的是，NARVI 是一种插值/预测方法，不是一种新的测量方法。 它通过学习可计算基因的模式来估计不可计算基因的速度，这意味着它的预测质量取决于可计算基因是否提供了足够的信息。如果可计算基因本身代表性不足，插值结果的可靠性也会下降。

RNN 在时间序列建模中的角色

除了 RNA velocity 这条技术路线，RNN/LSTM 在细胞动态研究中还有另一个直接的应用场景：时间序列数据的建模。

在一些实验设计中，研究者可以在多个时间点对细胞群体进行采样——比如在药物处理后的 0h、6h、12h、24h 分别取样测序。虽然每次测序仍然是破坏性的（不同时间点测的是不同的细胞），但我们可以获得群体层面的时间序列数据。

LSTM 在这类任务上有天然的优势：它按时间步处理输入，维护一个累积的内部状态，可以学习时间序列中的模式和依赖关系。一些研究用 LSTM 来预测基因表达的动态变化——给定前面几个时间点的表达数据，预测后续时间点的表达趋势。

2026 年，Jiang 等人在 PLoS Computational Biology 上发表了 scIMF（single-cell Interacting Mean Field model），用 McKean-Vlasov 随机微分方程框架来建模多细胞系统的集体动力学。scIMF 引入了细胞间的注意力机制来捕获非局部的、非对称的细胞间相互作用，在多个时间序列 scRNA-seq 数据集上展示了比现有方法更好的预测表现。

但这里有一个重要的边界： 这些方法学习的是群体层面的统计规律，不是单个细胞的命运轨迹。从时间序列数据推断”某个细胞会变成什么”和从单张快照推断”某个细胞从哪里来”，是两个不同类型的问题。前者有时间维度的约束，后者需要从空间结构中反推时间。

最优传输：另一条技术路线

值得一提的是，轨迹推断并不只有”基于速度”这一种思路。另一条重要的技术路线是最优传输（optimal transport）。

2019 年，Schiebinger 等人在 Cell 上发表了 Waddington-OT，用最优传输理论来推断细胞分化的路径。它的核心思想是：给定两个时间点的细胞群体快照，用最优传输算法找到从早期细胞到晚期细胞的最优”运输方案”，这个方案就对应了分化的概率路径。

2025 年底，Tronstad 等人在 PNAS 上发表了 MultistageOT，将最优传输方法推广到多阶段的场景——即使只有单个时间点的快照，也能通过数学建模推断出分化的轨迹。

最优传输和 RNA velocity 是互补的方法。 RNA velocity 关注的是”每个细胞的瞬时方向”，最优传输关注的是”群体之间的全局映射”。前者更精细但依赖模型假设，后者更全局但依赖数据中不同状态的充分采样。

RNN/LSTM 在这条路线中不是核心工具——最优传输主要依赖数学优化，而不是序列建模。但在一些混合方法中，深度学习（包括 RNN）被用来预处理数据、提取特征或辅助速度估计，与最优传输方法形成配合。

这些方法各自的适用边界

理解不同方法的适用范围，比知道哪个方法”更强”更重要。

RNA velocity 类方法适合： 数据中有明确的未剪接/已剪转录本信息、细胞状态之间有清晰的方向性、关注的是短期的动态变化。它的局限在于依赖简化的动力学模型，且对低表达基因的估计不够稳定。

最优传输方法适合： 有多个时间点的数据（或数据中有足够多的不同分化阶段）、关注的是全局的分化路径和命运概率。它的局限在于对”距离”的定义敏感，且难以捕捉快速的瞬态变化。

RNN/LSTM 适合： 有时间序列数据、需要建模序列中的时间依赖关系、计算资源受限或需要在线学习的场景。它的局限在于顺序处理效率低、长程依赖有衰减。

没有一种方法能解决所有轨迹推断问题。 实际研究中，研究者往往会同时使用多种方法，比较它们的结果，寻找一致性高的结论。当不同方法给出不同答案时，这本身就提示了数据或模型中可能存在需要进一步探究的问题。

对不同读者意味着什么

如果你是生信方向的研究者： 这些方法的演进提供了一个很好的案例——理解问题的数学本质比追逐技术框架更重要。RNA velocity 的核心洞察是利用未剪接/已剪接转录本的比例来估计动态，这是一个生物学启发的思路，不依赖于任何特定的神经网络架构。最优传输的核心是将分化过程建模为概率分布之间的最优映射，这是一个数学启发的思路。RNN 的核心是利用序列的顺序结构来维护上下文状态。选择哪种方法，取决于你的数据特性和问题需求。

如果你是湿实验方向的研究者： 这些计算方法可以帮助你从单细胞数据中提取动态信息，但它们给出的是”估计”和”推断”，不是直接观测。计算推断的结果需要与已知的生物学知识一致，需要通过实验来验证。比如，RNA velocity 预测某个基因在某个细胞群中正在被激活，这个预测可以通过时序 qPCR 或 reporter 实验来检验。计算方法的价值在于缩小需要实验验证的范围，而不是替代实验验证。

如果你是非专业读者： 想象你在动物园拍了一张照片，照片里有大象、小象、成年象和老年象。你没见过它们从小长到大的过程，但你可以根据体型大小、皮肤褶皱程度等特征来推测它们的年龄顺序和大致的生活轨迹。这些计算方法做的事情类似——从一张”照片”（单细胞快照）中推断出细胞”从小长到大”的过程。它们是聪明的推测工具，不是时间机器。

回扣系列主线

在上一篇中，我们讲了 RNN 为什么适合处理生物序列数据——因为生物序列的”顺序性”是 RNN 最擅长处理的计算特征。

在轨迹推断这个问题中，”顺序”以另一种形式出现：不是碱基或氨基酸的排列顺序，而是细胞状态变化的时间顺序。虽然核心的轨迹推断方法（RNA velocity、最优传输）并不主要依赖 RNN，但 RNN/LSTM 在时间序列建模、序列数据预处理、混合架构的组件等环节中持续发挥作用。

这印证了上一篇的结论：在生物信息学中，方法的选择应该从问题的计算特性出发。 当问题的核心是”顺序”时，RNN 是自然的选择之一。当问题的核心是”全局映射”时，最优传输更合适。当问题是”局部模式识别”时，CNN 可能更有效。好的研究者不会被技术潮流裹挟，而是会冷静地分析问题的本质，选择最匹配的工具。

下一篇我们将收束这个批次，讨论 RNN 与 Transformer 在生物信息学中的对比与分工——这两种架构分别擅长什么，在今天的实际工作中各自处于什么位置。

参考文献