单细胞多组学数据分析新范式

Potentia从静态快照重建细胞状态动力学

基于谱分解与径向‑角度分解，将每个细胞的状态解耦为身份方向 $u_{i}$ 与状态强度 $r_{i}$ ，无需预设时间箭头，从数据几何中直接读出细胞的"身份"与"状态"。

η_{i}^{(k)} = λ_{k}^{t} ψ_{k} (i), r_{i} = ∥ η_{i} ∥, u_{i} = \frac{η _{i}}{r _{i}} \in S^{m - 1} .

开始使用了解算法引用论文

射线图：原点 = 身份未定，射线方向 = 身份类型，径向距离 = 状态强度

什么是单细胞多组学数据

传统 bulk 测序将数百万个细胞的信号平均化，掩盖了细胞间的异质性。单细胞测序让我们能在单个细胞的分辨率下测量分子谱，揭示组织内部隐藏的细胞类型、状态与过渡轨迹。当我们在同一细胞内同时测量多种分子层（转录组、染色质可及性、蛋白质、甲基化等），便进入了单细胞多组学时代——它提供了观察细胞决策的多维视角，也带来了前所未有的数据复杂性。

scRNA-seq

测量单个细胞的 mRNA 表达谱，揭示细胞身份与转录状态。当前最成熟、应用最广的模态，也是 Potentia 现版本的输入。

scATAC-seq

测量染色质开放区域，反映基因调控潜力。常与 scRNA-seq 联用，揭示"调控 → 表达"的因果链。

CITE-seq / 蛋白组

在测转录组的同时用抗体量化表面蛋白丰度，弥补 mRNA 与蛋白水平间的差异。

现代单细胞实验动辄产生 10⁴ – 10⁶ 量级的细胞，每个细胞测量数千个基因。如何从这一高维、稀疏、含噪的点云中读出细胞状态？这是 Potentia 所在领域面对的根本问题。

领域关键问题与挑战

scRNA-seq 捕获的是某一时刻细胞的静态快照，而生物学关心的是随时间演化的动态过程。如何从静态横截面数据中读懂细胞状态的变化轨迹、识别稳定的细胞身份并量化状态转换的强度，是计算生物学的核心挑战。

①

静态快照 vs. 动态过程

scRNA-seq 只捕获某一时刻的转录状态，无法直接观测状态随时间演化的真实动力学。

②

主观先验的"时间箭头"

伪时间方法需用户指定起点或方向；RNA 速度方法依赖代谢标记数据的可用性。

③

分支的双向性

在分化分叉点，祖细胞同时拥有两种潜在命运。传统向量空间方法难以表达这种双向潜在性。

④

身份与状态的混淆

同一细胞类型在不同条件下表达谱整体位移，难以区分"身份变了"还是"只是状态变了"。

Potentia 的核心思想

Potentia 不预设任何生物学方向。它将单细胞数据视为高维空间中的点云，假设细胞状态的演化规律蕴含于该点云构成的几何流形之中。通过分析流形上的扩散过程，Potentia 将每个细胞的状态分解为两个具有明确生物学意义的量。

身份方向 $u_{i}$

u_{i} = η_{i} /∥ η_{i} ∥ \in S^{m - 1}

指南针的指向——决定细胞属于哪一类型

同一细胞类型在不同个体、不同生理状态下， $u_{i}$ 应趋于一致。

状态强度 $r_{i}$

r_{i} = ∥ η_{i} ∥

磁针的长度——反映该身份表达的活跃程度

细胞活化、分化成熟、应激响应会改变 $r_{i}$ ，而身份方向不变。

身份与状态在数学上彻底解耦：

u_{i}

决定"属于哪一类"，

r_{i}

决定"该类身份表达得多强"。这正是 Potentia 与其他方法的根本区别。

三阶段算法流程

阶段 1

图构建

自适应带宽的多尺度拓扑图

输出：扩散算子 $P$ 、邻居索引

P = D^{- 1} S

阶段 2

谱提取

扩散算子的谱分解 + 扩散加权

输出： $ψ_{k}$ 、 $λ_{k}$ 、 $η_{i}$

η_{i}^{(k)} = λ_{k}^{t} ψ_{k} (i)

阶段 3

嵌入

预测势距离 / 射影核谱嵌入

输出：2D 嵌入、极坐标 $(ρ_{i}, θ_{i})$

ρ_{i} = lo g (r_{i} + ϵ)

三阶段皆可独立调用，也可通过 HybridPotentia 一键编排；详见用户手册。

核心特性

无需先验方向

所有输出直接从数据几何导出，不依赖发育起点或时间箭头。

身份与状态解耦

$u_{i}$ 与 $r_{i}$ 分别捕获两个正交的生物学维度，便于跨条件比较与动态追踪。

处理双向性

射影几何自然处理分化分支的对称性（ $u_{i} \sim - u_{i}$ ），避免人为断裂。

大规模可扩展

地标点策略支持百万级细胞数据集；GPU 加速邻居搜索与谱分解。

快速上手

三行代码即可在你的 AnnData 对象中生成 Potentia 嵌入。结果存入 adata.obsm['X_potentia']，可直接用 scanpy 可视化。

pip install potentia

查看完整快速开始 →浏览应用案例 →

import scanpy as sc
import potentia as pt

adata = sc.datasets.pbmc3k()
sc.pp.pca(adata, n_comps=50)

pt.tl.potentia(adata, n_neighbors=30,
               n_slow_features=10,
               diffusion_time=10)

sc.pl.embedding(adata, basis='potentia',
                color='celltype')

引用 Potentia

如在你的研究中使用 Potentia，欢迎告知，我们将在应用案例中收录。

@article{potentia2026,
  title  = {Potentia: Spectral decomposition for
            cell-state dynamics},
  author = {...},
  journal= {...},
  year   = {2026},
  doi    = {10.xxx/xxxxx}
}

Potentia从静态快照重建细胞状态动力学

什么是单细胞多组学数据

scRNA-seq

scATAC-seq

CITE-seq / 蛋白组

领域关键问题与挑战

静态快照 vs. 动态过程

主观先验的"时间箭头"

分支的双向性

身份与状态的混淆

Potentia 的核心思想

身份方向 ui​

状态强度 ri​

三阶段算法流程

图构建

谱提取

嵌入

核心特性

无需先验方向

身份与状态解耦

处理双向性

大规模可扩展

快速上手

引用 Potentia

身份方向 $u_{i}$

状态强度 $r_{i}$