利用能量引导流匹配进行可泛化的单细胞扰动响应预测

arXiv:2610.02232v1 公告类型：cross 摘要：在单细胞分辨率下预测扰动引起的表型和转录响应，为探究生物系统提供了强有力的工具。然而，现有方法通常依赖训练期间学习到的固定映射，因此在推理阶段难以校准分布偏移或适应新的扰动条件。在此，我们提出 scEGFlow，一种能量引导的流匹配框架，可动态连接对照细胞状态与扰动细胞状态。scEGFlow 利用条件流匹配对从对照细胞群体到扰动状态的连续转变进行建模。随后，该方法应用特定于条件的能量梯度来校正和引导这些预测，从而无需重新训练流模型即可灵活调整。涵盖成像表型和转录组谱的多项基准评估表明，在已见和未见的扰动条件下，scEGFlow 在重建响应分布方面均优于现有方法，同时忠实保留细胞流形几何结构和群体异质性。在仅有少量测量细胞的情况下适应新条件时，这一优势尤为明显，并能持续提升预测准确性。此外，scEGFlow 能够准确再现扰动诱导的共识基因表达特征中的上调和下调模式；能量引导进一步提高了预测调控方向与观测结果之间的一致性。总体而言，这些发现表明，scEGFlow 为单细胞扰动建模提供了一种模块化、可泛化且可操控的解决方案。通过将生成流建立在学习到的生物学景观之上，该架构为在计算机模拟中探索和操纵细胞行为确立了一种新的计算范式。