基于隐含高斯过程与最优传输建模时序scRNA-seq数据
机器学习
2026-05-21 v1 基因组学
摘要
单细胞RNA测序提供了单细胞水平的基因表达洞察，但从这些静态快照测量中推断时序过程仍是根本性挑战。当前方法利用神经微分方程和流，容易过拟合且缺乏对生物变异性的严考究。本文提出一种生成式框架，使用由希尔伯特空间方法近似的隐含异方差高斯过程（GP）来建模群体趋势。为解决缺乏真实细胞轨迹的问题，我们利用最优传输（OT）目标对齐生成的群体分布与观测群体分布。该方法通过纳入细胞特定的隐含时间和细胞类型条件化，显式捕捉生物异质性，以解耦时序异步性和不同细胞类型的轨迹。我们在复杂的插值和外推基准测试中展示了领先性能，并引入一种新颖的梯度策略用于推断扰动轨迹。
引用
@article{arxiv.2605.20989,
title = {Modeling Temporal scRNA-seq Data with Latent Gaussian Process and Optimal Transport},
author = {Mehmet Yigit Balik and Harri Lähdesmäki},
journal= {arXiv preprint arXiv:2605.20989},
year = {2026}
}