導(dǎo)語(yǔ)

如何從靜態(tài)觀測(cè)還原生命過程的動(dòng)態(tài)軌跡，一直是細(xì)胞命運(yùn)研究的關(guān)鍵難題。本期讀書會(huì)為細(xì)胞動(dòng)力學(xué)讀書會(huì)第八期，復(fù)旦大學(xué)博士生劉俊壇將聚焦于一個(gè)核心挑戰(zhàn)：如何從靜態(tài)的單細(xì)胞轉(zhuǎn)錄組快照數(shù)據(jù)中，推斷出細(xì)胞命運(yùn)決定的連續(xù)動(dòng)態(tài)過程。系統(tǒng)梳理該領(lǐng)域的前沿方法，并重點(diǎn)講解三種具有代表性的技術(shù)路徑。通過對(duì)比其理論、假設(shè)與場(chǎng)景，探討如何應(yīng)用這些工具揭示發(fā)育與疾病中的復(fù)雜細(xì)胞動(dòng)力學(xué)。

集智俱樂部聯(lián)合北京師范大學(xué)大學(xué)教授李輝，中科院理論物理學(xué)所副研究員王維康、西湖大學(xué)生命科學(xué)學(xué)院博士后韋曉慧以及燭龍（上海）生物醫(yī)藥科技有限公司王艷博士共同發(fā)起「」，嘗試從單細(xì)胞數(shù)據(jù)中重構(gòu)細(xì)胞的動(dòng)力學(xué)，以揭示細(xì)胞狀態(tài)轉(zhuǎn)化的普遍特性和機(jī)制；通過分享經(jīng)典文獻(xiàn)與最新研究進(jìn)展，希望在數(shù)據(jù)、模型和生物過程間，建立起一種可以反復(fù)檢驗(yàn)、不斷驗(yàn)證的動(dòng)態(tài)關(guān)系。

報(bào)告簡(jiǎn)介

本次報(bào)告將聚焦于一個(gè)核心挑戰(zhàn)：如何從靜態(tài)的單細(xì)胞轉(zhuǎn)錄組快照數(shù)據(jù)中，推斷出細(xì)胞命運(yùn)決定的連續(xù)動(dòng)態(tài)過程。我們將系統(tǒng)梳理該領(lǐng)域的前沿方法，并重點(diǎn)講解三種具有代表性的技術(shù)路徑。對(duì)于單個(gè)時(shí)間點(diǎn)的快照數(shù)據(jù)，我們將分享MuTrans，它基于多尺度隨機(jī)動(dòng)力學(xué)理論，通過粗粒化的方式識(shí)別細(xì)胞狀態(tài)轉(zhuǎn)移中的穩(wěn)定吸引子與過渡細(xì)胞，并量化不同轉(zhuǎn)移路徑的可能性。對(duì)于多個(gè)時(shí)間點(diǎn)的快照數(shù)據(jù)，我們將介紹TrajectoryNet，它建立了連續(xù)標(biāo)準(zhǔn)化流與動(dòng)態(tài)最優(yōu)傳輸之間的聯(lián)系，通過能量正則化來(lái)學(xué)習(xí)細(xì)胞在時(shí)間點(diǎn)之間的平滑、合理的連續(xù)路徑。其次，我們將深入探討TIGON，這是一個(gè)動(dòng)態(tài)非平衡最優(yōu)傳輸模型，其獨(dú)特之處在于能同時(shí)推斷單個(gè)細(xì)胞的基因表達(dá)速度和細(xì)胞群體的增殖/死亡速率，從而更完整地刻畫細(xì)胞動(dòng)力學(xué)。通過對(duì)比這些方法的理論基礎(chǔ)、模型假設(shè)與適用場(chǎng)景，我們將一同探討如何理解與應(yīng)用這些強(qiáng)大的推斷工具，以揭示發(fā)育、疾病中的復(fù)雜細(xì)胞動(dòng)態(tài)。

分享大綱

1.單個(gè)時(shí)間點(diǎn)快照數(shù)據(jù)推斷細(xì)胞命運(yùn)決定

2.多個(gè)時(shí)間點(diǎn)快照數(shù)據(jù)的匹配

3.結(jié)合細(xì)胞生滅的非平衡最優(yōu)傳輸

核心概念

細(xì)胞命運(yùn)決定，最優(yōu)傳輸，基因調(diào)控網(wǎng)絡(luò)

主講人介紹

主講人：劉俊壇，復(fù)旦大學(xué)類腦智能科學(xué)與技術(shù)研究院博士三年級(jí)在讀。長(zhǎng)期專注于數(shù)學(xué)、生物與人工智能的交叉研究，致力于實(shí)現(xiàn)兼具高精度與可解釋性的模型，對(duì)復(fù)雜生物過程如癌癥進(jìn)行機(jī)制解碼以及干預(yù)模擬。目前研究興趣為數(shù)據(jù)驅(qū)動(dòng)的動(dòng)力學(xué)重構(gòu)、最優(yōu)傳輸理論以及基因調(diào)控網(wǎng)絡(luò)。

參考文獻(xiàn)

1. Zhou P, Wang S, Li T, Nie Q. Dissecting transition cells from single-cell transcriptome data through multiscale stochastic dynamics. Nat Commun 12, 5609 (2021).

2. Tong A, Huang J, Wolf G, van Dijk D, Krishnaswamy S. TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics. Proceedings of machine learning research 119, 9526–9536 (2020).

3. Sha Y, Qiu Y, Zhou P, Nie Q. Reconstructing growth and dynamic trajectories from single-cell transcriptomics data. Nat Mach Intell 6, 25–39 (2024).

時(shí)間信息

2026年4月3日（周五）晚19:30-21:30，騰訊會(huì)議線上進(jìn)行，微信視頻號(hào)+集智俱樂部B站號(hào)同步直播，感興趣的朋友掃碼報(bào)名加入細(xì)胞動(dòng)力學(xué)讀書會(huì)后，可進(jìn)入學(xué)員群進(jìn)行交流。

直播信息

報(bào)名讀書會(huì)：

「細(xì)胞動(dòng)力學(xué):基因網(wǎng)絡(luò)、群細(xì)胞、組織形態(tài)與發(fā)育」

由李輝、王維康、韋曉慧三位學(xué)者及王艷博士共同發(fā)起，并沿兩條主線展開：一是探討細(xì)胞命運(yùn)、多穩(wěn)態(tài)等理論核心；二是結(jié)合單細(xì)胞測(cè)序、時(shí)序推斷等方法，學(xué)習(xí)如何將靜態(tài)數(shù)據(jù)轉(zhuǎn)化為動(dòng)態(tài)模型。

中將融合物理學(xué)、復(fù)雜科學(xué)與系統(tǒng)生物學(xué)，從Waddington景觀、自組織臨界，到反應(yīng)-擴(kuò)散模型與類器官實(shí)驗(yàn)，繪制一幅理解細(xì)胞命運(yùn)與群體動(dòng)力學(xué)的連貫地圖。

掃描海報(bào)中二維碼報(bào)名參加讀書會(huì)

報(bào)名方式：

第一步：微信掃碼填寫報(bào)名信息。

第二步：填寫信息后，付費(fèi)報(bào)名。如需用支付寶支付，請(qǐng)?jiān)赑C端進(jìn)入讀書會(huì)頁(yè)面報(bào)名支付：

第三步：添加運(yùn)營(yíng)助理微信，拉入對(duì)應(yīng)主題的讀書會(huì)社區(qū)（微信群）。

PS：為確保專業(yè)性和討論的聚焦，本讀書會(huì)謝絕脫離細(xì)胞動(dòng)力學(xué)讀書會(huì)主題的哲學(xué)和思辨式討論；如果出現(xiàn)討論內(nèi)容不符合要求、經(jīng)提醒無(wú)效者，會(huì)被移除群聊并對(duì)未參與部分退費(fèi)。

加入社區(qū)后可獲得的資源

完整權(quán)限包括：線上問答、錄播回看、資料共享、社群交流、信息同步、共創(chuàng)任務(wù)獲取積分等。