空间转录组技术能够同时记录细胞表达状态和组织位置，却难以直接观察细胞随时间发生的变化。不同时间点的测序样本如同一张张独立照片，细胞如何迁移、分化和增殖，仍存在大量空白。

2026年3月12日，北京大学李铁军和周沛劼等团队在Nature Methods发表题为“stVCR: spatiotemporal dynamics of single cells”的研究论文。研究团队开发了一个生成式深度学习框架stVCR，将空间对齐、细胞状态变化和增殖动力学整合起来，从离散的空间转录组快照中推断连续的细胞时空演化过程，并在美西螈脑再生与三维果蝇胚胎发育数据中进行验证。

5+时空多组学解决方案

已为超过500家医院及科研单位提供技术支持服务

研究背景

胚胎发育和组织再生并非静止的细胞状态集合，而是基因表达、细胞分化、迁移、增殖和死亡共同参与的连续过程。单细胞转录组和空间转录组技术能够刻画不同细胞的分子特征，后者还保留细胞在组织中的位置，但测序具有破坏性，通常只能获得不同时间点、不同生物样本的独立快照。

已有RNA velocity与最优传输方法能够推断细胞状态变化或跨时间点的对应关系，但将基因表达动态与真实空间迁移、细胞数量变化联合建模仍存在困难。尤其是不同组织切片可能具有不同坐标系，未经校正的旋转与平移容易被误认为细胞迁移；只匹配两个时间点，也不足以描述中间发生的复杂变化。因此，关键问题是如何在缺少连续观测和单细胞配对信息的条件下，恢复具有生物学意义的时空动态轨迹。

研究思路

研究团队提出stVCR，以不同时间点的空间坐标和降维基因表达为输入，将动态最优传输与深度学习相结合。框架分别利用最优传输描述表达分布变化、通过旋转和平移不变的空间匹配校正坐标系，并采用非平衡最优传输处理细胞增殖和死亡引起的数量变化。三个神经网络联合学习空间迁移速度、基因表达变化速度和细胞群体增长率；在观测时间较少时，还可引入已知细胞状态转换及组织结构保持先验。

作者首先构建具有已知轨迹及调控关系的模拟数据，测试空间对齐、时间插值、动力学恢复及模型稳健性，并与既有方法进行比较。随后分析美西螈脑损伤后2、5、10、15和20天的Stereo-seq数据，重建细胞迁移、增殖和谱系变化，进一步探索相关基因与推断调控网络。最后，将生物学先验引入仅包含两个时间窗口的三维果蝇胚胎数据，评估发育过程中组织空间结构的连续重建能力。

主要结果

1. stVCR将细胞状态、空间迁移与增殖统一建模

stVCR将细胞的空间位置和降维后的基因表达共同表示为随时间变化的分布，使用连续动力学方程描述细胞迁移、表达改变以及细胞数量变化（Fig. 1a–c）。其中，空间速度刻画细胞在组织中的运动，表达速度表示转录状态变化，增长率则描述群体扩增或减少。模型同时求解不同时间点的旋转和平移参数，降低坐标差异对迁移推断的干扰。

训练中，作者结合动力学损失和观测分布匹配损失，并允许加入细胞类型转换与空间结构保持约束（Fig. 1b、d）。在此基础上，stVCR不仅能够对未采样时间点进行插值和预测，还可以根据所学习的动力学估计基因表达、迁移方向及增殖之间的关联，并生成时间依赖的细胞谱系描述（Fig. 1e）。这使模型从跨时间点匹配扩展到对连续过程的联合推断。

图1｜stVCR方法框架与单细胞时空动态重建原理

2. 模拟实验验证空间对齐与连续动力学重建能力

作者构建包含Red、Green、Blue三个示例基因及二维位置的模拟系统，设置基因间调控、空间依赖的状态变化和不同细胞群的增殖或死亡，并人为旋转部分时间点的坐标（Fig. 2a–c）。stVCR对齐后，重建的细胞迁移方向和状态变化与预设真实过程相符：一部分细胞向外迁移并增殖，另一部分则转向不同表达状态并逐渐减少（Fig. 2d）。

在未观测时刻t=1.75，模型生成的空间分布与真实模拟结果较为接近（Fig. 2e）；对基因表达变化的局部敏感性及细胞增长率的推断也呈现相似空间模式（Fig. 2f、g）。通过留一时间点验证，作者将stVCR与SF2M及移除空间对齐、增长或空间信息的模型版本比较，在多个测试条件下获得具有竞争力的误差表现（Fig. 2h）。消融结果说明，坐标校正与增殖建模对恢复正确动态具有重要作用。

图2｜stVCR的时空动态重建与基准测试

3. 美西螈脑再生揭示损伤后细胞迁移和谱系变化

在美西螈脑损伤再生数据中，作者利用损伤后2、5、10、15和20天的单细胞空间转录组快照训练stVCR。模型将不同时间点的脑组织坐标对齐，并在损伤半球推断出朝向伤口的细胞迁移趋势，其中反应性室管膜胶质细胞（reaEGC）及小胶质细胞的响应较明显（Fig. 3a–d）。损伤侧、尤其伤口附近的推断增长率也高于未损伤侧（Fig. 3e）。

进一步的时间插值生成了损伤后3.5和17.5天等未直接测量的细胞快照（Fig. 3f）。模型推断早期wntEGC群体减少时reaEGC增加，并在5至10天的谱系重建中出现wntEGC向reaEGC的状态转换；到15至20天，部分reaEGC又转向wntEGC及神经元相关状态（Fig. 3g、h）。这些变化与原始研究报道的脑再生阶段性过程相符，但具体细胞转换仍属于基于快照数据的计算推断。

图3｜stVCR重建美西螈脑再生过程中的细胞时空动态

4. 动力学敏感性分析探索迁移相关基因与动态调控网络

在完成群体层面的动态重建后，作者进一步利用模型学习到的速度场评估基因表达与空间迁移之间的关联。对损伤后2天的细胞进行分析，迁移相关候选基因的GO富集结果涉及神经元迁移、同类细胞黏附负调控等过程（Fig. 4a）。GFAP和TNC等基因在室管膜胶质细胞中具有较明显的迁移速度敏感性信号，并呈现与细胞类型相符的表达分布（Fig. 4b、c）。

作者还围绕GFAP、ECM1、VIM、KRT18、TNC等基因，比较reaEGC在损伤后不同时点的推断调控网络：早期以负向关联为主，到15天出现更多正向关联（Fig. 4d）。对wntEGC、sfrpEGC和血管软脑膜细胞的比较显示，网络结构也具有细胞类型差异（Fig. 4e、f）。这些结果为脑再生中的潜在时空调控关系提供线索，但网络连边与基因“驱动”评分尚不能替代基因扰动等因果验证。

图4｜美西螈脑再生中的迁移相关基因与推断调控网络

5. 生物学先验帮助重建三维果蝇胚胎的连续发育过程

当采样时间点较少、间隔较长时，仅依据表达与空间分布匹配可能产生不合理的状态转换。作者首先利用模拟数据证明：只有起点和终点两个快照时，不加先验的模型可能错误地将细胞连接到静止群体；加入已知的type 1向type 2转换先验后，中间时间点的推断更接近真实轨迹（Fig. 5a–d）。

随后，研究团队分析发育时间窗口为E7–9小时和E9–10小时的三维果蝇胚胎数据，为中枢神经系统、中肠及羊膜浆膜设置类型连续性先验，并为其中部分组织引入结构保持约束（Fig. 5e、f）。与Spateo、Moscot及基于其静态匹配结果的线性插值相比，stVCR生成的中枢神经系统轨迹更好地保持了中间过程中的整体连接结构，避免明显的组织断裂或细胞过度聚集（Fig. 5g）。这说明恰当的生物学先验有助于约束稀疏时序数据的三维动态推断。

图5｜生物学先验辅助三维果蝇胚胎发育动态重建

小编总结

这项研究的价值，不只是为空间转录组增加了一种轨迹分析工具，而是尝试将离散的组织快照连接成连续的细胞演化过程。传统时序数据能够告诉我们不同时间点有哪些细胞、它们位于何处，却无法直接展示两次采样之间发生了什么。stVCR把基因表达变化、真实空间迁移和细胞数量变化放在同一模型中，并同步校正不同样本的坐标差异，使细胞状态和组织位置能够沿同一时间轴被联合解释。

美西螈脑再生分析展示了这种框架的应用潜力。模型不仅推断出损伤附近细胞向伤口迁移和增殖增强，还重建了室管膜胶质细胞向反应性状态、再向部分神经元相关状态变化的阶段性过程。进一步利用动力学导数，作者筛选出与迁移和增殖相关的候选基因，并比较不同时间点和细胞类型的推断调控网络。

不过，重建出的“连续录像”仍是计算模型的最佳解释，而非对同一细胞的直接实时追踪。基因调控网络与所谓驱动基因来自模型敏感性分析，需要谱系示踪、活体成像和功能扰动进一步验证。未来若能与真实谱系追踪、多组学及力学信息结合，这类方法有望更可靠地连接组织形态变化与背后的细胞命运过程。

5+时空多组学解决方案

已为超过500家医院及科研单位提供技术支持服务

END

编辑：Y.