可让研究人员确定新的细胞亚型，从看似全然混乱的状态创造出秩序。标志着我们向单细胞基因组迈进了重要的一步。

单细胞RNA测序是一种相对较新的技术，可以帮助科学家们了解基因在不同类型健康组织和癌症中是如何表达的。它能够在一次实验中提供数百个单细胞的基因表达谱数据，从而产生单个细胞类型的准确信息。然而，单细胞转录组结构的根本复杂性，对于弄懂这些数据提出了一个重大挑战。

利用单细胞基因组学，我们能够选取一个组织的细胞，根据它们的表达谱，把它们分成不同的类型，从而确定可能有一系列功能作用的细胞亚型。但是，为了正确地做到这一点，我们需要处理一些混杂因素，直到现在，我们还没有可靠的方法解决这些混杂因素。

一种组织类型的样本具有固有的复杂性：一些细胞将会是新的，一些则是旧的，在任何给定的时间点上它们将处于细胞周期的不同阶段。大多数细胞类型也有隐藏的亚型，每一种可能具有不同的功能。该研究小组开发出一种新的单细胞潜变量模型（scLVM），可让我们检测和控制隐藏的亚结构，从而使相关的生物信号更容易识别。

已经明确了如何考虑细胞周期阶段、测量噪声或生物学过程这样的因素，从而可能获得不同细胞类型和亚型中基因表达的更准确信息。将单细胞分析与统计方法相结合，可让我们确定细胞类型，否则它们仍然不被发现。

如果你所有的数据都来自于单细胞的基因表达，你就需要一种方法来识别和纠正可区分单个细胞的潜在因素，所以你可以了解其深层的生物学因素。我们的模型解释了单细胞之间的关联性，例如它们是否处于细胞周期的相同阶段，识别可能混杂的变量，并去除它们。这也使我们更容易发现新的细胞亚型——你可能不知道已存在的变量，然后一并纠正它们。

单细胞类型分析，对于生物医学研究是至关重要的。我们可以根据已知的、详细的细胞构成，更好地研究和了解癌细胞、分化过程以及各种疾病的发病机制。现在我们的模型可利用单细胞基因组学进行这种分析。