图 细胞通讯速度模型的建立、反演、评估与应用
在国家自然科学基金项目（批准号：92570102）等资助下，中山大学数学学院孙小强教授课题组围绕“动态细胞间通讯驱动细胞状态演变”的关键科学问题，提出了“细胞通讯速度模型”——一种用于从静态的空间单细胞数据中推断动态细胞通讯网络与细胞状态演变的多尺度非线性动力学计算模型。该方法系统整合了细胞间相互作用与细胞内基因调控网络，为揭示细胞通讯在细胞状态转变过程中的动态调控机制提供了新的理论与计算框架。研究成果以“Decoding dynamic cell-cell communication-driven cell state transitions in spatial transcriptomics”为题，于2026年1月5日在线发表在国际学术期刊《自然・计算科学》（Nature Computational Science）杂志上，论文链接：https://www.nature.com/articles/s43588-025-00934-2。
多细胞系统中，细胞命运决定与状态演变，由细胞内在调控程序与微环境介导的细胞间通讯共同驱动。理解细胞通讯（cell-cell communication，CCC）如何塑造细胞状态转变（cell state transition，CST）是发育生物学、系统生物学和疾病建模等领域的核心问题。然而，现有研究中CCC 与 CST 的分析一直以各自独立的方式开展：现有CCC聚焦于推断不同细胞类型或状态之间的静态通讯网络，未能反映CCC随CST的动态特征；另一方面，CST的分析则主要关注细胞表型变化过程，忽略了细胞间调控信号在驱动细胞状态转变中的作用机制。因此，如何将CCC机制与CST动态整合到一个统一的框架中，是当前亟需解决的重要科学问题。
针对这一难题，研究团队提出了CCCvelo方法，通过联合优化动态CCC信号网络和潜在的CST时钟来重建CCC驱动的CST动态过程。CCCvelo构建了一个统一的多尺度非线性动力学模型，该模型整合了细胞间配体-受体信号梯度和细胞内转录因子-靶基因调控网络，从而表征了CST相关特征基因表达的多层次调控机制。进一步，为了从静态的空间转录组数据中推断模型动力学参数，研究团队还提出了一种基于物理信息约束的协同进化学习算法PINN-CELL，实现了模型参数与细胞伪时序的联合优化。在多个高分辨率空间转录组数据上的实验结果表明，CCCvelo能够成功恢复已知的形态发生轨迹，同时揭示调控CST进展的动态CCC信号重连。该研究不仅加深了对CST过程中细胞间与细胞内动态调控机制的理解，也为研究CCC驱动的CST推断提供了一种统一的计算模型和可解释深度学习方法。