用于单细胞动力学建模的联合速度-增长流匹配
机器学习
2025-11-11 v2
摘要
从快照数据学习单细胞的底层动力学已获得科学和机器学习研究中的越来越多的关注。破坏性测量技术以及细胞增殖/死亡导致快照之间的数据未配对且不平衡，使得底层动力学的学习具有挑战性。在本文中，我们提出联合速度-增长流匹配（VGFM），一种通过流匹配联合学习单细胞群体状态转移与质量增长的新范式。VGFM 构建了一个理想的单细胞动力学，包含状态速度与质量增长，由一种呈现的双周期静态半松弛最优传输驱动——这是一种寻求未配对和不平衡数据之间耦合的数学工具。为了实现实际应用，我们使用神经网络近似理想动力学，形成我们的联合速度与增长匹配框架。此外，VGFM 采用分布拟合损失来进一步提高快照数据的拟合性能。在合成和真实数据集上的大量实验结果表明，VGFM 能够捕捉考虑质量和状态随时间变化的底层生物学动力学，优于现有的单细胞动力学建模方法。
引用
@article{arxiv.2505.13413,
title = {Joint Velocity-Growth Flow Matching for Single-Cell Dynamics Modeling},
author = {Dongyi Wang and Yuanwei Jiang and Zhenyi Zhang and Xiang Gu and Peijie Zhou and Jian Sun},
journal= {arXiv preprint arXiv:2505.13413},
year = {2025}
}