Joint Velocity-Growth Flow Matching for Single-Cell Dynamics Modeling

要約

スナップショットデータから単一のセルの基礎となるダイナミクスを学習することで、科学および機械学習の研究で注目が高まっています。
破壊的な測定技術と細胞の増殖/死により、スナップショット間の対応のない不均衡なデータが生じ、根本的なダイナミクスの学習が困難になります。
このホワイトペーパーでは、フローマッチングを介してシングルセル集団の状態移行と大量成長を共同で学習する新しいパラダイムである、関節速度成長フローマッチング（VGFM）を提案します。
VGFMは、質量の速度と質量の成長を含む理想的なシングルセルダイナミクスを構築します。これは、不対のデータと不平衡データの結合を求める数学的ツールである静的な半溶解最適な輸送の提示された2期間の動的理解によって駆動されます。
実用的な使用を可能にするために、ニューラルネットワークを使用して理想的なダイナミクスを近似し、関節の速度と成長マッチングフレームワークを形成します。
Snapshotデータのフィッティングパフォーマンスをさらに改善するために、VGFMで分布フィッティング損失も採用されています。
合成データセットと実際のデータセットの両方での広範な実験結果は、VGFMが時間の経過とともに質量と状態の変動を考慮して基礎となる生物学的ダイナミクスをキャプチャできることを示しており、単一細胞ダイナミクスモデリングの既存のアプローチを上回っています。

要約(オリジナル)

Learning the underlying dynamics of single cells from snapshot data has gained increasing attention in scientific and machine learning research. The destructive measurement technique and cell proliferation/death result in unpaired and unbalanced data between snapshots, making the learning of the underlying dynamics challenging. In this paper, we propose joint Velocity-Growth Flow Matching (VGFM), a novel paradigm that jointly learns state transition and mass growth of single-cell populations via flow matching. VGFM builds an ideal single-cell dynamics containing velocity of state and growth of mass, driven by a presented two-period dynamic understanding of the static semi-relaxed optimal transport, a mathematical tool that seeks the coupling between unpaired and unbalanced data. To enable practical usage, we approximate the ideal dynamics using neural networks, forming our joint velocity and growth matching framework. A distribution fitting loss is also employed in VGFM to further improve the fitting performance for snapshot data. Extensive experimental results on both synthetic and real datasets demonstrate that VGFM can capture the underlying biological dynamics accounting for mass and state variations over time, outperforming existing approaches for single-cell dynamics modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google