基于不平衡均值场 Schrodinger 桥的细胞动力学与相互作用建模
机器学习
2025-10-28 v3 最优化与控制
定量方法
摘要
从稀疏时间分辨快照数据建模动力学对于理解复杂细胞过程和行为至关重要。现有方法利用最优传输、Schrödinger桥理论或其变体，同时推断从快照数据中推断出不平衡的随机动力学。然而，这些方法在考虑细胞间相互作用方面仍受限。这种集成在现实世界场景中至关重要，因为细胞间通信是基本的生命过程，并且可以影响细胞状态转换的动力学。在本挑战下，我们构建了不平衡均值场 Schrodinger 桥 (UMFSB) 框架，用于从快照数据中建模不平衡的随机相互作用动力学。灵感来自该框架，我们进一步提出了 CytoBridge，一个设计用于逼近 UMFSB问题的深度学习算法。通过通过神经网络显式建模细胞转换、增殖和相互作用，CytoBridge 提供了从数据中直接学习这些过程的灵活性。我们的方法经由合成基因调控数据和真实 scRNA-seq 数据广泛验证。与现有方法相比，CytoBridge 识别增长、转换和相互作用模式，消除假性转换，并更准确地重建发育景观。代码可用：https://github.com/zhenyiizhang/CytoBridge-NeurIPS
引用
@article{arxiv.2505.11197,
title = {Modeling Cell Dynamics and Interactions with Unbalanced Mean Field Schr\"odinger Bridge},
author = {Zhenyi Zhang and Zihan Wang and Yuhao Sun and Tiejun Li and Peijie Zhou},
journal= {arXiv preprint arXiv:2505.11197},
year = {2025}
}
备注
Published as a conference paper at NeurIPS 2025