scvelo

scvelo — RNA Velocity Analysis

技能概述

scvelo 是单细胞 RNA 测序数据分析的 Python 工具，通过建模 mRNA 剪接动力学来推断细胞状态转换轨迹，预测细胞分化方向并识别驱动基因，无需时序数据即可重建发育轨迹。

适用场景

发育轨迹推断：从单时间点的快照数据确定细胞分化方向，适用于造血生成、神经发生、上皮-间质转化等发育生物学研究，帮助揭示细胞命运决定的动态过程。

细胞命运预测：识别祖细胞及其下游命运，通过 unspliced/spliced mRNA 比值判断基因上调或下调状态，结合 latent time 计算为细胞发育过程提供时间维度排序。

驱动基因识别：发现其动力学最能解释观察到的轨迹的基因，通过 rank_velocity_genes 和 phase portrait 分析找出调控细胞状态转换的关键转录因子和信号分子。

核心功能

RNA velocity 计算：支持 stochastic（快速探索）和 dynamical（高精度发表级）两种模型，基于 unspliced 和 spliced RNA 层级数据计算每个细胞的基因表达速度向量，生成 UMAP 空间中的流场箭头图。

轨迹推断与可视化：通过 velocity_graph 构建细胞间转换概率矩阵，提供 velocity_embedding_stream 流线图和 PAGA 轨迹图，直观展示细胞分化路径和分支点。

时序分析与基因动力学：dynamical 模型可计算 latent time（共享伪时间）、估计转录/剪接/降解速率（fit_alpha/fit_beta/fit_gamma），并通过 fit_likelihood 评估基因级模型拟合质量。

常见问题

scvelo 需要什么数据格式？

scvelo 需要包含 unspliced 和 spliced 两个层级的 AnnData 对象。这些数据可通过 STARsolo、kallisto|bustools 的 lamanno 模式、velocyto CLI 或 alevin-fry 生成。确保 adata.layers['spliced'] 和 adata.layers['unspliced'] 存在，且 obsm 中包含 UMAP 坐标用于可视化。

stochastic 和 dynamical 模型有什么区别？

stochastic 模型计算速度快，适合大型数据集的探索性分析；dynamical 模型拟合完整的剪接动力学，精度更高，可识别驱动基因并计算 latent time，但计算密集（1万细胞约需10-30分钟）。建议先用 stochastic 探索，发表时使用 dynamical。

如何解读 RNA velocity 箭头图？

箭头方向表示该细胞预期的未来状态，箭头长度表示变化速度。健康的数据应显示连贯的流动模式，箭头沿着已知生物学路径（如从干细胞到分化细胞）。随机或混乱的箭头可能提示数据质量问题或参数不当，需检查 unspliced reads 覆盖度和 n_neighbors 设置。