人类子宫内膜在月经周期中基因解卷积与功能分析的层次贝叶斯模型

批量组织RNA测序的异质性样本提供平均的基因表达轮廓，掩盖了细胞类型特异性的动态变化。为此，我们提出一种概率层次贝叶斯模型，对批量RNA-seq数据进行解卷积，以提取组成细胞类型的表达轮廓和比例，同时利用高分辨率单细胞参考。我们将我们的模型应用于人类子宫内膜组织，一个在激素驱动的细胞组成变化方面具有戏剧性变化的背景。我们的扩展框架提供了细胞类型比例和细胞特异性基因表达变化在周期各阶段的原推断。我们详细阐述了模型的结构、先验和推断策略，并通过仿真和与现有方法的比较来验证其性能。结果揭示了在月经各阶段间肠上皮、成纤维和免疫细胞比例的动态变化，识别了与子宫内膜功能（例如在分泌期成纤维细胞中的着床标记）相关的细胞类型特异性差异基因表达。我们进一步进行了鲁棒性测试，显示我们的贝叶斯方法对参考错位和噪声具有鲁棒性。最后，我们讨论了发现的生物学意义、对生育和子宫内膜疾病的潜在临床意义，以及包括空间转录组集成在内的未来方向。