에너지 기반 플로우 매칭을 활용한 일반화 가능한 단일 세포 섭동 반응 예측
Generalizable single-cell perturbation response prediction using energy-guided flow matching
단일 세포(single-cell) 해상도에서 섭동에 대한 표현형 및 전사체 반응을 예측하는 것은 생물학적 시스템을 탐구하는 강력한 도구를 제공합니다. 그러나 기존 방법들은 일반적으로 학습(training) 중에 학습된 고정된 매핑에 의존하므로, 추론(inference) 중에 분포 변화를 보정하거나 새로운 섭동 조건에 적응하기 어렵습니다. 본 논문에서는 대조군 세포 상태와 섭동된 세포 상태를 동적으로 연결하는 에너지 기반 플로우 매칭(energy-guided flow matching) 프레임워크인 scEGFlow를 제안합니다. scEGFlow는 조건부 플로우 매칭(conditional flow matching)을 사용하여 대조군 세포 집단에서 섭동된 상태로의 연속적인 전이를 모델링합니다. 그런 다음 조건별 에너지 그래디언트를 적용하여 이러한 예측을 수정하고 유도함으로써, 플로우 모델(model)을 재학습하지 않고도 유연한 조정을 가능하게 합니다. 이미징 표현형과 전사체 프로파일을 아우르는 벤치마크 평가 결과, scEGFlow는 관찰된 섭동 조건과 미관찰 섭동 조건 모두에서 반응 분포를 재구성하는 데 기존 방법들보다 우수한 성능을 보이며, 세포 매니폴드 기하학과 집단 이질성을 충실하게 보존함을 보여줍니다. 이러한 이점은 소수의 측정된 세포만으로 새로운 조건에 적응할 때 두드러지며, 예측 정확도를 일관되게 향상시킵니다. 또한, scEGFlow는 합의된 유전자 발현 시그니처 전반에서 섭동으로 유도된 상향 및 하향 조절 패턴을 정확하게 재현하며, 여기서 에너지 유도는 예측된 조절 방향과 관찰된 조절 방향 간의 일치도를 향상시킵니다. 궁극적으로 이러한 발견은 scEGFlow가 단일 세포 섭동 모델링을 위한 모듈식의 일반화 가능하고 제어 가능한 솔루션을 제공함을 입증합니다. 학습된 생물학적 랜드스케이프에 생성 플로우를 그라운딩(grounding)함으로써, 이 아키텍처는 인실리코(in silico)에서 세포 행동을 탐색하고 조작하기 위한 새로운 계산 패러다임을 확립합니다.