CellRank是由出品scanpy的Fabian J. Theis 团队开发的单细胞轨迹分析工具，主要用于推断细胞命运的动态变化。传统轨迹推断 (trajectory inference) 需预先知道生物过程方向 (如发育分化)，而 CellRank 结合 RNA 速率 (RNA velocity)，无需预知方向即可分析再生、重编程、疾病等复杂过程。
核心方法：
- 整合 细胞相似性 (转录组相似性) 与 RNA 速率 (预测细胞未来状态) 构建有向马尔可夫链。
- 通过 宏状态 (macrostates) 粗粒度化模型，识别 初始态、中间态、终末态。
- 计算 命运概率 (fate probability)，量化细胞向各终末态转变的可能性。
- 支持 不确定性传播 (处理 RNA 速率的噪声) 和 基因表达趋势分析。
技术优势
- 鲁棒性：对参数变化 (如近邻数、主成分数) 不敏感，支持大规模数据 (10万细胞仅需2分钟)。
- 通用性：兼容多种数据 (10x、Drop-seq)，可扩展至代谢标记、表观遗传信息。
- 开源工具：Python 软件包，无缝对接 Scanpy/scVelo，有教程和文档。
CellRank2作为CellRank的全面升级版，在 数据兼容性、算法灵活性 和 计算效率 上均有显著提升，尤其适合复杂生物系统的多视角分析。以下是两者的主要异同点：
核心功能对比
1、相同点：
- 马尔可夫链建模：两者均基于马尔可夫链模型，结合 RNA 速度（RNA velocity）和转录组相似性计算细胞状态转移概率。
- 宏状态（macrostates）分析：均能识别初始、中间和终末细胞状态，并计算命运概率（fate probabilities）。
- 多模态数据支持：均可整合 RNA 速度、伪时间（pseudotime）、代谢标记等生物学先验信息。
- 可视化功能：均支持基因表达趋势、命运概率的可视化。
2、不同点：
| 功能 | CellRank (2022) | CellRank2 (2024) |
|---|---|---|
| 数据兼容性 | 主要支持 scRNA-seq + RNA 速度 | 支持多视角数据（如空间转录组、代谢标记等） |
| 算法扩展性 | 基于 G-PCCA 进行宏状态分析 | 引入更灵活的模块化设计，支持自定义 kernel（如空间相似性 kernel） |
| 不确定性处理 | 支持 RNA 速度的噪声传播 | 优化了随机游走模型，增强对高噪声数据的鲁棒性 |
| 计算效率 | 适用于中等规模数据（约 10 万细胞） | 优化了大规模数据处理（支持百万级细胞） |
| 应用场景 | 侧重发育和重编程 | 新增癌症异质性、免疫细胞动态等场景 |
技术改进
-
多视角数据整合：
CellRank2 新增对 空间转录组 和 代谢标记数据 的支持，可结合细胞的空间位置信息优化轨迹推断。 -
模块化设计：
提供更多可组合的 kernel（如VelocityKernel、PseudotimeKernel），用户可灵活调整权重（如0.8*VelocityKernel + 0.2*ConnectivityKernel）。 -
随机游走优化：
改进了蒙特卡洛采样方法，更准确地模拟细胞命运决定的随机性。
以scanpy为基础的单细胞数据分析生态越来越丰富，是时候熟悉python派系的分析工具，以适应越来越大的数据。毕竟，在处理大数据集方面，python还是比R更具有优势。
