單細胞多體學是系統生物學從群體平均走向細胞個體精確建模的核心技術革命，其數據分析涉及稀疏高維統計、隨機過程推斷和圖神經網路。
scRNA-seq 的統計挑戰
- Dropout / Zero-Inflation：每個細胞僅捕捉 ~10-30% 的 mRNA 分子 → 大量 technical zeros。ZINB-WaVE、scVI (Lopez et al., Nat Methods, 2018) 使用深度生成模型（Variational Autoencoder）建模 zero-inflated negative binomial 分布，同時學習 latent space 和 batch correction。
- Batch Effect：Harmony (Korsunsky et al., 2019)、scVI、scANVI 在潛在空間中校正批次效應同時保留生物變異。
- 數據整合：跨平台、跨物種整合用 anchor-based 方法（Seurat v4 CCA/RPCA）或 deep learning（scGPT 用 transformer 架構做 foundation model）。
RNA Velocity 的數學模型
基本模型：du/dt = α(t) − β·u（unspliced）；ds/dt = β·u − γ·s（spliced）。穩態假設下 u/s = β/γ = const。偏離此比例指示動態方向。
scVelo（Bergen et al., Nat Biotechnol, 2020）用 likelihood-based dynamical model 放寬穩態假設，估計基因特異性的 α(t)、β、γ，更準確預測 velocity。但 RNA velocity 的可靠性取決於 splicing kinetics 假設和數據品質（Gorin et al., Genome Biol, 2022 提出批評）。
Perturbation-Seq / CRISPR Screens at Scale
Replogle et al.（Cell, 2022）做了 >2.5 million cells 的 Perturb-seq（~5,000 基因 knockout × ~300 cells/guide）。分析框架：
- 差異表達：每個 perturbation 的 DE genes（vs non-targeting controls）。
- Genetic interaction：double perturbation 的效果 vs 單一 perturbation 之和 → 發現 epistasis。
- GRN 推斷：perturbation → DE → causal edges。CPA（Compositional Perturbation Autoencoder; Lotfollahi et al., 2023）預測未觀測的組合擾動效果。
Spatial Omics Integration
MERFISH / seqFISH+ 可在組織原位偵測 ~1,000-10,000 個基因的空間表達。Visium 提供 ~55 μm spots（非單細胞但有空間資訊）。計算整合：
- Cell2location / RCTD：用 scRNA-seq reference deconvolve Visium spots 到 cell type 比例。
- NCEM (Niches Cell-Environment Model)：在 GNN 框架中建模細胞的基因表達受鄰近細胞（niche）的影響。
Virtual Cell / Digital Embryo
終極目標：從 single-cell multi-omics 數據建構 virtual cell——在計算中模擬細胞命運決定。Kamimoto et al. (2023) 的 CellOracle 結合 scATAC+scRNA 推斷 GRN → 模擬 TF knockout 對 fate decision 的影響。
文獻：Regev et al. (2017) eLife 6:e27041 (Human Cell Atlas vision paper) / Replogle et al. (2022) Cell 185:2559-2575 / La Manno et al. (2018) Nature 560:494-498.