超越连续性：从单细胞快照数据无模拟重建离散分支动力学
机器学习
2026-05-04 v1 人工智能
数学物理
math.MP
基因组学
定量方法
摘要
从破坏性快照数据推断细胞轨迹因随机性和非保守质量动力学（如细胞增殖和凋亡）的挑战而变得复杂。现有的非平衡最优传输(OT)方法将质量视为连续流体，在群体水平进行推断。然而，这种宏观视角通常无法捕捉单细胞分辨率下出生-死亡事件的离散、跳跃式本质，而这对于理解谱系分支和命运决定至关重要。我们提出了非平衡薛定谔桥(USB)，这是一个无模拟的学习底层动力学的框架，它有效地整合了随机和非平衡效应，并在单细胞分辨率下对离散的、跳跃式的出生-死亡动力学进行建模。理论上，USB为分支薛定谔桥(BSB)问题提供了一个可处理的解决方案，提供了一个严格的微观解释，其中单个细胞同时经历布朗运动和离散的出生-死亡跳跃。技术上，该方法通过引入一个无模拟的训练目标来实现一个高效的求解器，该目标可有效地扩展到高维组学数据。经验上，我们在模拟和真实数据集上证明，USB不仅实现了优于或可与确定性基线相媲美的轨迹重建性能，而且独特地实现了单细胞分辨率下出生-死亡动力学的真实离散模拟。
引用
@article{arxiv.2605.00545,
title = {Beyond Continuity: Simulation-free Reconstruction of Discrete Branching Dynamics from Single-cell Snapshots},
author = {Junda Ying and Yuxuan Wang and Bowen Yang and Peijie Zhou and Lei Zhang},
journal= {arXiv preprint arXiv:2605.00545},
year = {2026}
}