Decipher·脱轨细胞状态的联合表示和可视化

 ​​Decipher​​ 是一种深度生成模型，用于分析和可视化单细胞RNA测序（scRNA-seq）数据中​​正常细胞状态到病理/扰动细胞状态（“脱轨”状态）的转变轨迹​​。

✨Decipher 的设计与流程

1️⃣ 输入数据​​：接受来自正常组织与疾病组织的多个单细胞 RNA-seq 数据（也可以是对照 vs 干预、多患者等条件）。

2️⃣ 层次化联合建模
Decipher 设计了 两层潜变量结构：
    •    Decipher Space (v, 2D)：每个细胞被投射到二维空间，两个核心轴可表示“成熟度”和“脱轨程度”。
    •    中间潜空间 (z, ~10D)：在 v 的约束下学习细胞更细粒度的表征。
解码器网络从 z 重建去噪的基因表达 (x)，而编码器网络则从观测表达 (x) 推断 z 和 v。

3️⃣ 可视化

细胞在二维 Decipher Space 中直接可视化，不再依赖 UMAP/t-SNE。健康与疾病细胞的关系在同一空间下自然呈现。

4️⃣ 轨迹重建与 Decipher Time

在空间中自动推断多条轨迹，代表不同的发育或疾病演化路径。例如疾病轨迹如何偏离正常成熟轨迹。进一步定义 Decipher Time 作为联合伪时间，刻画健康与疾病轨迹的动态。

5️⃣ 基因模式解析

利用解码器的映射关系，直接从 Decipher Space 重建基因表达：沿轨迹解析基因动态模式，将基因表达分解为代表性基因程序（basis），比较不同轨迹的程序权重，识别 保守程序（shared） 与 破坏程序（disrupted），揭示驱动疾病脱轨的关键基因

🔍 核心优势

✔️ 在同一框架中统一对齐正常与疾病轨迹

✔️ 避免过度校正，保留真实差异

✔️ 可直接从潜空间解码基因模式，机制可解释性强

参考：Genome Biology volume 26, Article number: 219 (2025)