клеточная дифференцировка

В статье представлен новый вычислительный и математический фреймворк, который объединяет информационную геометрию, нечеткую топологию и анализ UMAP для моделирования ландшафтов экспрессии генов, полученных из данных одноклеточного секвенирования РНК (scRNA-seq). Авторы формализуют данные экспрессии генов как нечеткое топологическое пространство, где взаимодействия между точками экспрессии управляются вероятностными распределениями, вдохновленными методами обучения многообразий, такими как UMAP. В рамках этого подхода определяется информационно-геометрическая структура через метрику Фишера, индуцированную этими распределениями, что позволяет вычислять геодезические траектории, отражающие процессы клеточной дифференцировки. Ключевым вкладом работы является вывод аналитических условий, выраженных в виде формул радиуса экспрессии, которые характеризуют локальные окрестности в пространстве экспрессии генов. Эти условия позволяют идентифицировать гены, связанные со стволовыми состояниями клеток, и предсказывать переходные типы клеток в будущих исследованиях. Применение предложенного фреймворка к одноклеточным наборам данных выявляет биологически значимые наборы генов, обогащенные ключевыми регуляторными путями и факторами транскрипции, что демонстрирует способность подхода раскрывать скрытую структуру в сложных данных экспрессии генов. Результаты показывают, что интеграция дифференциальной геометрии с теорией статистического обучения предлагает мощную парадигму для моделирования взаимосвязей генотип-фенотип и переходов клеточных состояний, с потенциальными применениями в точной медицине и системной биологии.