Monocle2 于 2017年 正式发表于《Nature Methods》（论文标题：“The dynamics and regulators of cell fate decisions are revealed by pseudotemporal ordering of single cells”），因其基于反向图嵌入（Reversed Graph Embedding）的算法和清晰的轨迹推断逻辑，成为单细胞轨迹分析的主流工具。而 Monocle3 于 2019年 发布（预印本于2020年公开），在算法上进行了全面升级，改用基于UMAP的降维和图形学习（Graph Learning）框架，支持更复杂的轨迹拓扑结构（如多分支、树状轨迹），并增强了对大规模数据集的兼容性。

两者核心差异

1. 算法逻辑：Monocle2 强调“线性”或简单分支的伪时间排序，适合明确的发育轨迹；Monocle3 允许更灵活的非线性轨迹建模，适合复杂分化路径。
2. 可视化：Monocle3 依赖UMAP可视化，与当前单细胞分析主流流程（如Seurat）更兼容；Monocle2 则基于DDRTree降维。
3. 功能扩展：Monocle3 新增细胞聚类、差异基因模块分析等功能，但部分功能（如细胞类型注释）仍依赖外部工具。

为何更多人仍用Monocle2？

1. 稳定性与可解释性：Monocle2 算法成熟，结果易于解释，适合经典发育研究；而Monocle3 的复杂模型可能导致轨迹“过度拟合”或难以生物学验证。
2. 学习成本与兼容性：Monocle3 的API与Monocle2差异较大，需重新学习，且早期版本存在文档不完善和运行错误问题，导致用户回流。官网显示还是测试阶段不稳定。

3. 领域惯性：许多已发表研究基于Monocle2，新方法需时间验证；且Monocle3 在部分场景（如简单线性轨迹）并未显著优于Monocle2。

不过，随着Monocle3文档的完善和算法优化（如对大规模数据的高效处理），其在复杂疾病或器官图谱等领域的应用逐渐增加，长期可能取代Monocle2成为新标准。

Monocle2最新版本发布在2024年3月，因此如果现在搭建一个新的单细胞分析环境，安装Monocle2后使用是会报错的，主要的报错来自依赖的igraph包的更新，因此这里我们可以把Monocle2调用igraph的函数替换成最新的，比如

报错：nei()函数改成.nei()

报错：dfs()函数的参数neimode改为mode

警告：dplyr::select_改为dplyr::select

如果还有新的报错，我会更新monocle2的安装包，可以使用以下代码安装，安装包可以

install.packages('remotes')
remotes::install_local('monocle_2.34.0.tgz')