高维点云和单细胞数据的线性最优输运分析

Tianxiang Wang; Yingtong Ke; Dhananjay Bhaskar; Smita Krishnaswamy; Alexander Cloninger

高维点云和单细胞数据的线性最优输运分析

机器学习 2025-10-31 v2 定量方法机器学习

作者: Tianxiang Wang , Yingtong Ke , Dhananjay Bhaskar , Smita Krishnaswamy , Alexander Cloninger

摘要

单细胞技术产生高维点云数据, 使我们能够对复杂患者状态和治疗反应进行细致表征. 然而, 每个患者由不规则的点云表示, 而非简单向量, 这使得直接量化和比较患者间的生物学差异困难. 非线性方法如核方法和神经网络虽实现预测准确性, 但作为黑盒模型, 对生物学可解释性贡献甚微. 为此, 我们将线性最优输运(LOT)框架应用于此场景, 将不规则点云嵌入固定维度的欧几里得空间, 同时保持分布结构. 该嵌入提供了原则化的线性表示, 可在保持最优输运几何的同时支持后续分析. 它还构成任意两个患者之间的配准, 从而实现其细胞分布的直接比较. 在该空间中, LOT实现了: (i) **准确且可解释的COVID-19患者状态分类**, 其中分类器权重映射回具体标记和空间区域以解释预测; 和 (ii) **患者来源器官化合物的合成数据生成**, 利用LOT嵌入的线性性质. LOT重心提供了代表合并条件或样本的平均细胞谱, 支持药物相互作用测试. 综上所述, 这些结果表明LOT是一个统一框架, 将预测性能、可解释性和生成模型连接起来. 通过将异构点云转化为可直接追溯至原始数据的结构化嵌入, LOT为理解高维生物系统中的免疫变异和治疗效应开辟了新机遇.

关键词

最优输运点云单细胞数据可解释性合成数据生成

引用

@article{arxiv.2510.22033,
  title  = {Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data},
  author = {Tianxiang Wang and Yingtong Ke and Dhananjay Bhaskar and Smita Krishnaswamy and Alexander Cloninger},
  journal= {arXiv preprint arXiv:2510.22033},
  year   = {2025}
}

备注

11 pages, 5 figures

高维点云和单细胞数据的线性最优输运分析

摘要

关键词

引用

备注

相关论文