内容形式：摘要译文
纵向转录组学研究通常只能在一段时间内获取每位患者少量的分子快照。这使得理解患者的进展过程、比较进展速率不同的患者，以及捕捉已观测访视之间的分子变化变得十分困难。我们提出了 CohortFM，这是一种基于流匹配的框架，能够从稀疏的纵向观测中重建患者特异性的连续分子轨迹，并通过集成混合模型将这些轨迹组织为一组紧凑的队列层面进展模式。CohortFM 将分子进展与日历时间相分离，在共享的进展尺度上定位患者，利用观测到的中间状态引导学习得到的轨迹，并将所得模式映射回真实的患者样本，以开展生物学解释。我们在 COVID-19、脓毒症、流感和结核病数据集上评估了 CohortFM。尽管不同数据集的采样模式各不相同，该方法仍表现出良好的泛化能力，并持续生成具有实际意义的轨迹。这些轨迹揭示了患者之间的生物学差异，而这些差异无法仅由观测样本加以解释。与当前最先进的轨迹建模基线方法相比，CohortFM 生成了生物学差异更为显著的轨迹，并对患者群体进行了更完整的表征。其更精细的进展尺度还揭示了访视层面分析无法捕捉的生物学程序和时间动态。我们进一步评估了插值和真实前向预测，以检验 CohortFM 能否准确恢复未观测状态。在更具挑战性的预测设置下，CohortFM 仍与强大的插值基线方法具有竞争力，并且是表现最强的学习型预测方法之一。消融实验进一步表明，流匹配是其核心学习机制，并且
我们的结果表明，这些设计选择能够提升连续轨迹学习的效果。研究结果支持将 CohortFM 作为一种实用框架，用于将稀疏的分子快照转化为连续且具有生物学可解释性的轨迹。CohortFM 超越了就诊时间标签的限制，使研究疾病进展并预测未来分子状态成为可能，即使患者仅接受过少数几次采样。
关键词：流匹配 · 稀疏纵向转录组 · 分子轨迹重建 · 患者进展建模 · 疾病进展模式
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.02.756304v1?rss=1