肿瘤演化是一个充满细胞异质性的动态过程，解析这一过程对于理解癌症进展和治疗耐药性至关重要。单细胞转录组（ scRNA -seq ）技术虽为研究克隆多样性提供了高分辨率视角 ， 但由于测序数据普遍存在稀疏性与技术噪声，从中准确推断克隆结构并重构演化轨迹，依然是一项极具挑战的计算难题 。
继 2025 年推出生物学智能体 PrimeGen 之后，华大智造杨梦团队持续聚焦 AI 技术在多组学数据解析中的底层应用。近日，该团队联合南京大学俞扬团队，在Genome Medicine杂志发表题为Single-cell omics data-driven decoding of tumor clonal evolution through reinforcement learning的研究论文 。 该研究将强化学习引入单细胞组学分析，开发了肿瘤克隆演化建模新框架 scRevol 。 该模型利用 scRNA - seq 数据推断的拷贝数变异图谱，通过策略优化有效抑制数据噪声并精准识别克隆群体，进而重构出具备高生物学可解释性的肿瘤演化轨迹 。
现有的单细胞肿瘤演化算法往往依赖于强模型假设（如无限位点假设）或对肿瘤数据纯度有 较 高要求，传统方法在处理技术噪声时存在局限 。 为克服这些瓶颈， scRevol 将强化学习与图算法整合为一个连贯的计算框架 。 在克隆识别阶段，模型将无监督聚类问题重构为马尔可夫决策过程（ MDP ） ， 采用近端策略优化（ PPO ）算法，将聚类质量（如轮廓系数）作为奖励信号来迭代优化潜在嵌入 。 在获得聚类标签后，算法计算克隆簇中心之间的距离，并利用最小生成树重构出克隆间的演化层级关系 。
图 1 . scRevol 用于肿瘤演化建模与生物学发现的工作流程。上半部分展示了 scRevol 的框架，包括标签分配学习、聚类和树的构建。下半部分展示了该框架在肿瘤演化中的应用 场景 。
为评估模型性能，研究团队在不同复杂度和噪声水平的模拟数据集中对 scRevol 进行了基准测试 。 结果显示，在恢复真实克隆数量、配对共聚类一致性以及拓扑准确性等多项核心指标上， scRevol 均表现出优于 Clonalscope 、 SCEVAN 等现有主流工具的推断精度，并在较高噪声水平下保持了稳定性 。
在解析单细胞谱系追踪 的 真实数据时， scRevol 识别出了与高转移潜能相关的特定克隆群体，重现了肿瘤的转移异质性 。 分子特征分析表明，这些高转移克隆表现出特定基因（如 CPS1 ）的下调 ， 并富集于细胞 - 基质连接、黏着斑以及 PERK 介导的未折叠蛋白反应等与转移相关的信号通路 。
在临床转化应用层面，研究团队分析了包含原发灶（卵巢）及转移灶（大网膜、腹膜）的高级别浆液性卵巢癌多位点临床队列 。 scRevol 解析了肿瘤内亚克隆的演化结构，鉴定出跨越三个病灶的 “ 共享亚克隆 ” （ C5 克隆，提示其为原发灶转移的共同起源），以及特定于不同转移微环境的 “ 组织特异性亚克隆 ”。 结合拟时序与通路分析发现，处于演化早期的克隆富集干扰素和炎症反应通路；而晚期演化出的克隆则表现出 TGFβ 及 WNT 信号通路的激活，印证了肿瘤在演化后期的免疫抑制重塑 。 此外，相比其他工具， scRevol 能够更集中地识别出具有明确生物学特征的细胞群（如 BRCA1 / BRCA2 高表达克隆） 。
该研究展示了强化学习在单细胞组学特征提取与降噪中的潜力，为解析肿瘤的克隆架构、探究亚克隆多样性及其多位点转移的演化轨迹提供了一套兼具准确性与生物学解释力的计算框架 。
华大智造何秋顺、南京大学张智龙博士及 华大基因 王元梅博士为该论文的共同第一作者 ， 华大智造杨梦 博士和 南京大学俞扬教授为共同通讯作者 。
原文链接： https://doi.org/10.1186/s13073-026-01648-4
杨梦博士现任涌生智能 CEO 、华大智造高级副总裁。我们寻找具备 AI Native 基因的跨界极客，一起打破碳硅结界，重塑科研范式！ 欢迎加入我们。核心招募：• 硅基逻辑架构师 | AI Agent 软件全栈开发工程师• 碳硅双修翻译官 | 生信 AI Agent 开发工程师• 碳基硬件构建师 | 自动化机械工程师
简历投递（ 有意者请将个人简历等材料发至 ）：
https://jinshuju.net/f/ZqXwZt或扫描二维码投递简历
制版人：十一
BioArt
Med
Plants
人才招聘
学术合作组织
（*排名不分先后）
转载须知
【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。
热门跟贴