GENOT：熵化（Gromov）Wasserstein流匹配及其在单细胞基因组学中的应用
机器学习
2024-11-08 v4 机器学习
摘要
单细胞基因组学显著推进了我们对细胞行为的理解，催化了治疗与精准医学的创新。然而，单细胞测序技术本质上是破坏性的，且只能同时测量有限的数据模态阵列。该局限凸显了对能够重新对齐细胞的新方法的需求。最优传输（OT）已成为一种有力解决方案，但传统离散求解器受限于可扩展性、隐私与样本外估计问题。这些挑战催生了称为神经OT求解器的、对OT映射进行参数化的基于神经网络的求解器。然而，这些模型常缺乏更广泛生命科学应用所需的灵活性。为弥补这些不足，我们的方法学习随机映射（即传输计划），允许任意代价函数，放宽质量守恒约束，并集成二次求解器以应对（融合）Gromov-Wasserstein问题带来的复杂挑战。利用流匹配作为主干，我们的方法提供了一个灵活且高效的框架。我们通过细胞发育研究、细胞药物响应建模与跨模态细胞翻译中的应用展示其通用性与鲁棒性，阐明其在增强治疗策略方面的显著潜力。
引用
@article{arxiv.2310.09254,
title = {GENOT: Entropic (Gromov) Wasserstein Flow Matching with Applications to Single-Cell Genomics},
author = {Dominik Klein and Théo Uscidda and Fabian Theis and Marco Cuturi},
journal= {arXiv preprint arXiv:2310.09254},
year = {2024}
}