细胞逐渐发展成一个终末基质状态或者上皮间质转换的状态。
mouse embryonic fibroblasts (MEFs) into iPSCs
doxycyclinePhase-1(Dox) 阿霉素诱导
被设计去推断temporal couplings（短时间耦合线）
样品：在不同的时间段去独立收集的推断发展统计学的过程。
我们使用这个方法去推断祖先-子代的命运线，模拟基于他们的调控程序。
每个状态的细胞是什么类型的？
在最初始的状态是什么起始细胞？
后来的状态里面是什么状态？
是什么调控网络在调控他们的动态变化？
两大挑战：在一堆细胞中发现细胞类型
每种类型的轨迹
因为scRNA-seq在记录细胞结构的过程中会破坏细胞，所以不能追踪同一细胞及其后代的表达。目前很多的方法可以做细胞轨迹分析，但是只是提供了非常有限的信息关于细胞状态（在早期的时间点）
细胞轨迹的复杂的研究依赖于计算机的方法去连结离散的“snapshots”变成“movies”。
一些挑战: 1、大部分的方法没有明确的利用实时信息。历史上，大部分设计都是提取静止状态的信息，比如成人干细胞分化（其所有的状态都同时存在）
2、目前的一些方法基本是基于图论，这回对模型造成很大的约束，比如一维的轨迹图（“edges”）和0维的branch 节点（“nodes”）
因此，逐渐的命运差异就没有被这些模型好好的捕获到。
3、少有模型是包括了细胞生长和死亡的。
我们描述了一个概念性的框架，植入到Waddington-OT
意图捕获在基因表达的空间中存在分布的细胞，并且这些细胞存在可能的起源和可能的命运分布。通过最佳的转运算法推断分布。
我们运用这个框架去了解细胞重编程。Following 转录因子的短暂的过表达。
我们要解决的问题是：哪一类的细胞导致了细胞重编程？什么发育路径导致了重编程以及任何的可选的命运？哪些是细胞固有的因子和细胞细胞互作导致了这些路径的进展？
有信息可以被收集利用去提升细胞重编程为一个想象中的目的嘛？
从纤维细胞变成iPSCs （诱导多能干细胞）被识别多是 基于许多的markers 和 大群落的基因组图谱的学习。一些研究注释了不相关的谱系的基因的强烈的上调，但是目前仍然不清楚是否影响具体的细胞型的具体分化过程。
mouse embryonic fibroblasts (MEFs) into iPSCs
我们发现编码释放一个更加广泛的发育程序以及子程序。使Waddington-OT重建不同分化轨迹以及引发疾病的过度态图谱。我们描述了一个逐渐的转变过程到基质性细胞或者上皮间质转换的状态。
轨迹从上皮间质转换态到Ipscs，胚胎外细胞、神经细胞。基于这些轨迹，我们推断不同命运的转录因子的预测并且预测在基质细胞和其他细胞之间的旁分泌的互作。我们的实验表明，两个最高的预测确实提高了重新编程的效率。
目标：挖掘在一个时间点的祖籍细胞以及在其他时间点的后代细胞：
