- 3 次围观
内容形式：摘要译文
单细胞技术日益能够对复杂生物系统在多种实验扰动下进行大规模分析，但仅凭单细胞嵌入很难理解系统如何在整个条件空间中重组。Phenoscapes 通过将整个细胞状态分布而非单个细胞嵌入为数据驱动景观中的点，解决了这一问题。因此，单个点代表一种实验条件，而非一个细胞，从而生成扰动或患者景观图，揭示表型如何随条件连续变化。Phenoscapes 仍是一种相对较新、研究尚不充分的表示方法；现有的静态 phenoscapes 将实验条件相对于彼此进行定位，却未指定描述细胞群体如何从一种条件迁移至另一种条件的轨迹。针对单细胞数据的流模型和轨迹模型种类繁多，但现有方法均在单细胞层面运行，既未针对遵循 phenoscape 几何结构进行设计，通常也无法将其预测的流推广至训练期间未见过的条件。在此，我们提出 GeoSinkhorn Flow，这是一种以扰动为条件、具有几何感知能力的流匹配框架，专门用于将静态 phenoscape 转换为动态 phenoscape；在动态 phenoscape 中，每个条件层面的点还通过测地线式、条件感知的传输轨迹相互连接，且这些轨迹与 phenoscape 的底层几何结构保持一致。GeoSinkhorn Flow 还能够直接对时间点之间的转变进行建模，而无需构建 phenoscape。GeoSinkhorn Flow 利用热扩散几何定义具有流形感知能力的传输代价，并训练一种几何自编码器，使其潜在空间中的欧几里得距离保持♀♀♀♀♀♀
与静态表型空间几何保持一致，同时将其扩展至未见细胞。通过显式地以扰动特异性的基因或药物嵌入为学习到的输运动力学提供条件，GeoSinkhorn Flow 能够将其轨迹泛化至新的测量条件，生成沿轨迹演进的中间状态，并将预测扩展至未见细胞和留出的扰动。进一步采用非平衡最优输运变体来学习生长或转变权重，从而能够在建模状态迁移的同时，刻画细胞状态相对丰度或转变倾向的变化。在合成流形、患者来源类器官的药物响应、Perturb-seq 基因敲低以及时间分辨的 CyTOF 信号数据中，GeoSinkhorn Flow 均恢复了内在流形几何结构，推断出具有生物学一致性的响应轨迹，并泛化至留出的药物组合、扰动基因和时间点。总体而言，这些结果表明，GeoSinkhorn Flow 是一种具有扰动条件化能力且与表型空间保持一致的动态框架；它区别于标准流匹配方法，可将静态表型空间转化为能够跨实验条件泛化的动态表型空间。
关键词：单细胞数据 · 表型空间 · 扰动条件化动力学 · 流匹配 · 几何感知传输
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.16.759724v1?rss=1