単一細胞解析/生成モデル2026/9/27arXiv:2610.02232

エネルギガイド付きフローマッチングによる汎化可能な単一細胞摂動応答予測

Generalizable single-cell perturbation response prediction using energy-guided flow matching

単一細胞の摂動応答を予測するため、条件付きフローマッチングと条件特異的なエネルギ勾配を組み合わせたscEGFlowを提案し、未知の摂動条件でも高精度に応答分布を再現できることを示した。

詳しい要約

1. どんなもの？

- 単一細胞解像度での perturbation 応答（表現型・転写）を予測する枠組み scEGFlow を提案。 - energy-guided flow matching により control から perturbed 状態への連続的遷移をモデル化。 - 条件特異的な energy gradient で予測を補正・誘導し、再学習なしで柔軟に調整可能。 - イメージング表現型と transcriptomic profile のベンチマークで評価。

2. 先行研究と比べてどこがすごい？

- 既存手法は訓練時に固定された写像に依存し、推論時の分布シフトや新規 perturbation 条件への適応が困難。 - scEGFlow は energy guidance により再学習なしで予測を補正・誘導でき、新規条件にも適応可能。 - seen/unseen 両条件で応答分布の再構成性能が既存手法を上回る。 - 少数の測定細胞のみで新条件に適応でき、予測精度を一貫して改善。

3. 技術・手法の肝は？

- conditional flow matching で control 細胞集団から perturbed 状態への連続遷移を学習。 - 条件特異的な energy gradient を適用し、予測を補正・誘導。 - flow model の再学習なしで柔軟な調整を可能にする modular な設計。 - 学習された生物学的 landscape に generative flow を接地させる。

4. どうやって有効だと検証した？

- imaging phenotypes と transcriptomic profiles にまたがるベンチマークで評価。 - seen/unseen perturbation 条件での応答分布再構成を比較。 - 細胞 manifold 幾何と集団不均一性の保持を確認。 - 少数の測定細胞のみでの新条件適応を検証。 - consensus gene expression signatures における up/down-regulation パターンの再現を評価。

5. 議論はある？

- energy guidance が予測と観測の regulatory direction の一致を改善。 - modular, generalizable, steerable な単一細胞 perturbation モデリングの解決策を提供。 - in silico で細胞挙動をナビゲート・操作する新たな計算パラダイムを確立。 - 限界や課題については要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の関連手法として conditional flow matching、energy-based model、single-cell perturbation prediction の定番手法が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jianan Wei, Jiajun Hong, Guikun Chen, Ning Yang, Lifeng Fan, Wenguan Wang

分類: q-bio.GN, cs.LG, q-bio.CB

原文アブストラクト

Predicting phenotypic and transcriptional responses to perturbations at single-cell resolution provides a powerful tool for probing biological systems. However, existing methods typically rely on fixed mappings learned during training, making it challenging to calibrate distribution shifts or adapt to novel perturbation conditions during inference. Here, we present scEGFlow, an energy-guided flow matching framework that dynamically bridges control and perturbed cellular states. scEGFlow models continuous transitions from control cell populations to perturbed states using conditional flow matching. It then applies condition-specific energy gradients to correct and steer these predictions, enabling flexible adjustments without retraining the flow model. Evaluations across benchmarks spanning imaging phenotypes and transcriptomic profiles show that scEGFlow outperforms existing methods in reconstructing response distributions under both seen and unseen perturbation conditions, faithfully preserving cellular manifold geometry and population heterogeneity. This advantage is notable when adapting to new conditions with only a few measured cells, consistently improving prediction accuracy. Furthermore, scEGFlow accurately recapitulates perturbation-induced up- and down-regulation patterns across consensus gene expression signatures, where energy guidance improves the agreement between predicted and observed regulatory directions. Ultimately, these findings demonstrate that scEGFlow provides a modular, generalizable, and steerable solution for single-cell perturbation modeling. By grounding generative flows in learned biological landscapes, this architecture establishes a new computational paradigm for navigating and manipulating cellular behavior in silico.

arXivで原文を読む →arXiv概要ページ

← 論文一覧