VelOT：通过最优传输、流场平滑和细胞动力学的 VAMP 粗粒化进行无动力学 RNA 速度推断

当剪接型与未剪接型计数稀疏或不可靠时，从单次快照式单细胞RNA测序数据中推断细胞动力学仍然十分困难。我们提出VelOT，这是一种无动力学假设的RNA velocity框架，将动力学表述为基因表达流形上的局部最优传输问题。VelOT首先利用扩散伪时间对细胞进行排序，构建相互重叠的时空窗口，使用熵正则化传输估计位移向量，并通过轻量级神经流场对其进行平滑。下游基于VAMP的MetaFlow模块能够学习软元状态及有向的类PAGA图，并借助承诺概率识别初始、终末、分支和循环状态。通过四个真实基准数据集和三个合成拓扑的评测，VelOT在跨边界方向性和簇内一致性方面均优于scVelo、DeepVelo和FluxMatching，同时保持了较高的计算效率。在成人少突胶质瘤scRNA-seq数据中，VelOT在无需动力学输入的情况下恢复了从干细胞样状态向星形胶质细胞样和少突胶质细胞样状态分化的轨迹轴。VelOT将scRNA-seq中的RNA velocity重新表述为一个几何与传输问题，而无需进行动力学建模。

当剪接与未剪接计数稀疏或不可靠时，从单时点单细胞 RNA 测序数据中推断细胞动态过程仍然十分困难。我们提出了 VelOT，一种无动力学假设的 RNA velocity 框架，它将细胞动态表述为基因表达流形上的局部最优传输问题。VelOT 通过扩散伪时间对细胞进行排序，构建重叠的时空窗口，利用熵正则化传输估计位移向量，并使用轻量级神经流场对其进行平滑。下游基于 VAMP 的 MetaFlow 模块学习软元状态及一个有向的类 PAGA 图，从而利用承诺概率识别初始、终末、分支和循环状态。基于四个真实基准数据集和三个合成拓扑结构的评估结果表明，VelOT 在跨边界方向性和簇内一致性方面均优于 scVelo、DeepVelo 和 FluxMatching，同时保持了较高的计算效率。在成人少突胶质瘤单细胞 RNA 测序数据中，VelOT 在无需动力学输入的情况下恢复了从干细胞样状态向星形胶质细胞样和少突胶质细胞样状态分化的轴线。VelOT 将 scRNA-seq 中的 RNA velocity 重新定义为一个几何与传输问题，而无需依赖动力学建模。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.04.730132v1?rss=1

🏷️ 单细胞RNA测序 RNA速度推断 最优传输 细胞动力学 扩散伪时间 VAMP粗粒化