단일세포 퍼터베이션 데이터에서 클래스 간 분포 중첩으로 인해 세포 단위 정확도가 모델 품질이 아닌 중첩 정도를 측정하는 문제를 분석하고, Tahoe-100M과 Virtual Cell Challenge에서 선형 분류기·MLP·Transformer 모두 macro-F1 0.2~0.3에서 정체되는 현상을 확인했다. 이를 해결하기 위해 분류기의 세포별 확률 벡터를 집단 전체에 걸쳐 평균한 Classifier Discrimination Score(CDS)를 제안하며, 재학습 없이 동일한 약한 모델에서 거의 완벽한 퍼터베이션 식별(rank-1 정확도 0.976~1.000)을 달성하고 슈도벌크 기반 PDS보다 더 신뢰성 있는 판별 성능을 보임을 입증했다.
고콘텐츠 이미징 분석(assay)은 화학적 및 유전적 섭동(perturbation)에 대한 세포 반응을 정량화하지만, 취득 시 세포가 화학적으로 고정(fixed)되어 있어 개별 세포의 연속적인 궤적(trajectory)은 관찰할 수 없습니다. 따라서 섭동 모델링은 분리된 주변 분포(marginals)로만 관찰되는 대조군과 처리군 집단 간의 확률적 전송(transport)을 추론하는 문제로 축소됩니다. 최근 생성 모델들은 강력한 종단점 정렬(end-point alignment)을 달성하지만, 경계 일관성(boundary consistency)은 중간 진화(intermediate evolution)를 결정하지 못합니다. 여러 확률적 과정이 관찰된 단일 세포 형태학(morphology)에 의해 지원되지 않는 영역을 통과하면서 동일한 주변 분포를 연결할 수 있기 때문입니다. 본 연구에서는 종단점 전용 감독(endpoint-only supervision) 하에서 단일 세포 전이 모델링을 위한 슈뢰딩거 브리지(Schrödinger Bridge) 공식인 FreeBridge를 소개합니다. FreeBridge는 원자 상태(atomic states)를 인스턴스 분할된(instance-segmented) 단일 세포 표현으로 정의하여 고정된 세포 다양체(manifold)를 확립하고, 경험적 잠재 지원(latent support) 정규화를 통해 이 기하학 내로 제약된 확률적 전송을 학습합니다. BBBC021, RxRx1, JUMP 데이터셋에 걸쳐 FreeBridge는 통합 평가 프로토콜(unified evaluation protocol) 하에서 경쟁력 있거나 개선된 종단점 충실도(endpoint fidelity)와 작용 기제(mechanism-of-action) 유지를 보였으며, BBBC021에서는 중간 지원(intermediate support) 위반을 더욱 감소시켰습니다. 이러한 발견은 생물학적으로 해석 가능한 섭동 역학(perturbation dynamics)을 위한 기하학적 그라운딩(grounding)의 중요성을 강조합니다. 프로젝트 페이지: https://y-research-sbu.github.io/FreeBridge/.