美国圣路易斯华盛顿大学 Samantha A. Morris 课题组开发出一个新型计算工具来测定细胞的身份和命运的转变。这一研究成果于2022年3月29日在线发表在国际学术期刊 Cell Stem Cell 上，杂志主编还邀请作者研究团队设计期刊封面。
在发育、疾病和细胞重编程过程中，鉴别不断过渡变化的细胞类型和状态一直都是生物医学的研究难点。现今的计算策略多是以先验生物学知识监督聚类的方式，从单细胞数据中对细胞身份进行精确注释。上述计算方法只能注释那些处于离散型的细胞类型，但这样却忽略部分特征不明的混合型中间态细胞，也被称为杂交细胞。
笔者看来，几乎多数样本的单细胞测序数据中，都含有这种身份混合或不能明确的细胞亚群难以定义和聚类功能描述。这些混合型细胞的身份难以准确鉴别和归类，但却经常揭示出正处于关键过渡阶段的细胞集簇。仅笔者分享的单细胞测序相关研究中，刚就涉及上述中间型细胞的重要功能：
Cell | 胰腺癌药物治疗的成败，关键在“中间派”细胞的“心情好坏”
如今，Morris 实验室团队开发名为 Capybara 的计算工具，使用二次优化对公开的细胞类型参考数据进行细胞身份评分。相比于现有基于监督性的 scmap 和 SingleCellNet 分析方法不同的是，Capybara 给每个细胞赋予多个身份的连续性评分，从而对混合细胞类型加以识别，对细胞命运过渡动力学进行量化评估。
Capybara 的⼯作原理和四个步骤分析流程：
Step 1 特定组织bulk RNA-seq 可用细胞类型参考
Step 2 单细胞图谱识别连续型细胞类型线性组合
Step 3所有细胞分为离散、混合或未知的 3 种类别
Step 4离散型细胞类型详细分类和身份评分
研究团队还使用实验谱系追踪数据分析多种混合细胞，以验证这些中间细胞的多谱系进化发育潜力。单细胞数据分析和原位杂交实验研究的证据表明，应用 Capybara 可识别心脏组织重编程过程中混合细胞的不同状态组成，运动神经元参与重编程过程和治疗脱靶细胞身份类别。并且通过人工添加外源信号因子，成功改善上述特定细胞研究过程中的限制因素。
有多个数据和实验的验证结果都表明，该方法在剖析细胞身份类别和命运转变方面具有极其积极作用，可优先用于干预和改善干细胞工程制备效率和精确性。
结果可视化效果图
R Package - Capybara at GitHub:
https://github.com/morris-lab/Capybara
计算涉及具有多个身份“中间”细胞相应的“过渡评分”，也可解释为这些细胞转变为每种离散型细胞身份的概率。可将这些“中间”细胞的“过渡评分”在UMAP降维可视化展示，并与样本细胞收集时间点之间进行相互比较。例如，下图就是心脏重编程过程的细胞转化图谱：
论文信息：
Capybara: A computational tool to measure cell identity and fate transitions
Cell Stem Cell. 2022 Mar 23;S1934-5909(22)00099-6.