CFM-GP：学习跨细胞类型基因扰动的统一条件流匹配

理解不同细胞环境下基因扰动效应是功能基因组学的一个核心挑战，对治疗发现和精准医学具有重要意义。单细胞技术能够高分辨率测量转录反应，但收集此类数据成本高昂且耗时，尤其是针对每种细胞类型重复进行时。现有的计算方法通常需要为每种细胞类型建立单独模型，限制了可扩展性和泛化能力。我们提出了CFM-GP，一种细胞类型无关的基因扰动预测方法。CFM-GP学习未扰动与扰动基因表达分布之间的连续、时间依赖的变换，并以细胞类型为条件，使得单个模型能够预测所有细胞类型的扰动。与先前使用离散建模的方法不同，CFM-GP采用流匹配目标，以可扩展的方式捕捉扰动动力学。我们在五个数据集上进行了评估：SARS-CoV-2感染、IFN-beta刺激的PBMCs、经Panobinostat处理的胶质母细胞瘤、IFN-beta刺激下的狼疮，以及Statefate祖细胞命运图谱。CFM-GP在R平方和Spearman相关性上始终优于最先进的基线方法，通路富集分析证实了关键生物通路的恢复。这些结果证明了CFM-GP作为一种可扩展的跨细胞类型基因扰动预测解决方案的稳健性和生物学保真度。