PRiMeFlow：捕捉扰动响应建模中的复杂表达异质性
机器学习
2026-05-14 v2
摘要
预测单细胞基因表达的扰动效应可在规模上识别细胞行为的驱动因素并加速药物发现。然而，由于单细胞基因表达的内在异质性以及复杂的潜在基因依赖性，仍存在建模挑战。本文提出了 PRiMeFlow，这是一种基于流匹配的端到端方法，直接在基因表达空间中建模基因和小分子扰动的效应。PRiMeFlow 所采用的分布拟合方法使其能够准确逼近单细胞基因表达的经验分布，我们通过在PerturBench 中的大量基准测试予以证明。通过消融研究，我们还验证了诸多重要的模型设计选择，例如在基因表达空间中运行以及使用 U-Net 架构对速度场进行参数化。最后，我们将 PRiMeFlow 扩展到跨越多个数据集的广泛扰动数据图书馆，并采用精心设计的预训练-微调策略，在 ARC Virtual Cell Challenge 基准中的 H1 人类胚胎干细胞上展示了其卓越的性能。
引用
@article{arxiv.2604.13986,
title = {PRiMeFlow: Capturing Complex Expression Heterogeneity in Perturbation Response Modelling},
author = {Zichao Yan and Yan Wu and Mica Xu Ji and Chaitra Agrahar and Esther Wershof and Marcel Nassar and Mehrshad Sadria and Ridvan Eksi and Vladimir Trifonov and Ignacio Ibarra and Telmo Felgueira and Błażej Osiński and Rory Stark},
journal= {arXiv preprint arXiv:2604.13986},
year = {2026}
}