从药物处理后的细胞状态推断变化方向
药物处理后，细胞群的组成和转录状态可能同时改变。RNA 速度（RNA velocity）分析利用尚未剪接与已经剪接的转录本信息，推断细胞的转录状态可能向哪个方向变化，为解释药物反应提供动态线索。
2025 年，西交利物浦大学（Xi'an Jiaotong-Liverpool University）、利物浦大学（University of Liverpool）等团队在 Briefings in Bioinformatics 发表综述，比较这类分析的动力学假设、输入数据和结果解释。
在肿瘤微环境的药物研究中，综述介绍了 PI3Kδ 抑制后的 T 细胞分析：相关研究借助 RNA velocity 解释调节性 T 细胞发育受扰，以及炎症性 T 细胞亚群增加。这类用途关心药物作用后细胞状态如何转变，分析结果需要与具体生物学过程相互印证。
窄屏可横向滑动查看完整图表。
三类模型怎样估计细胞状态变化
作者按推断方式将模型分为稳态、轨迹和状态外推三类。稳态方法以 Velocyto 为代表，依靠可识别的稳态细胞群和相应动力学假设估计变化；若数据中缺少这些状态，或不同细胞群遵循不同变化规律，估计就可能偏离实际过程。
轨迹方法进一步拟合转录本随细胞状态变化的过程，同时估计动力学参数和细胞在轨迹中的位置。scVelo 的动态模型（dynamical model）属于这一类；同一软件中的稳态和随机模型则采用其他假设，分析时需明确所用模型。
状态外推方法利用邻近细胞的表达信息，为每个细胞估计局部变化。cellDancer、DeepVelo 和 SymVelo 是文中介绍的例子。它们可处理细胞之间更细的动力学差异，但结果也更依赖邻近细胞是否选得合理，计算负担同样需要考虑。
这里的“未来状态”通常由当前数据和模型推断，未必对应随后再次测到的同一个细胞。部分模型给出的潜在时间主要表示推断的细胞变化进程；综述另外介绍了结合代谢标记的 Dynamo，其时间信息有相应实验测量作为依据。
取样缺失可能使转变方向难以判断
一次单细胞 RNA 测序（single-cell RNA sequencing，scRNA-seq）获得的是细胞状态的截面。如果某个基因只在很短的阶段表达，而取样没有覆盖这个阶段，模型可能只看到变化曲线的一小段。
综述指出，不完整的动态过程在表达关系图中可能接近一条直线。对于需要拟合完整轨迹的方法，这会增加区分表达上升与下降阶段的难度；肿瘤样本若缺少早期来源细胞，转变路径的解释也会受到影响。
不同方法对此采用不同补充信息。MultiVelo 纳入染色质可及性，帮助判断转录状态；UniTVelo 综合多个基因的动态信息估计共同的细胞进程。这些设计各有适用条件，需要结合具体数据和研究问题选择。
去噪方式会改变用于推断的信号
经典流程常对计数矩阵进行归一化和近邻平滑，以减轻稀疏数据与测量噪声的影响。但单细胞中的一部分波动也来自基因表达本身；平滑处理可能改变这种信息，进而影响速度估计和可视化。
TopicVelo、Pyro-Velocity 和 cell2fate 等方法可以直接处理原始计数，并在模型中描述离散性或随机性。另一些方法先在降维空间中去噪。综述将它们作为不同建模选择，指出仍需系统比较输入数据、噪声水平和生物学场景之间的关系。
二维箭头需要与模型输出一起解释
常见的流线图将高维表达变化投影到二维空间，方便查看整体方向。但投影会压缩细胞关系，近邻图的构建也会影响局部与整体形态，图中流畅的箭头未必完整保留原有动态信息。
作者建议比较不同降维结果中的趋势，并结合已知细胞命运、标志基因变化以及模型估计的时间、动力学参数和不确定性，将图形所示方向与实际细胞状态变化相互核对。
比较方法时核对具体数据与评价任务
文中以综述形式比较已有模型。作者提出，后续基准比较应包含不同生物学过程，尽可能采用动态变化已知的数据，并结合多种定量指标。
在当前阶段，模型假设、取样覆盖、预处理和图形解释需要一并核对。RNA velocity 在药物研究中的价值，来自它为细胞状态转变提供的可检验线索，以及这些线索与实验观察之间的对应关系。