arXiv:2610.02232v1 q-bio.GN

에너지 기반 플로우 매칭을 활용한 일반화 가능한 단일 세포 섭동 반응 예측

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

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

제출 2026-09-27

한국어 초록

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.

원문 초록

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.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.02232v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.27752v2cs.LG공통 태그 flow matching, single-cell perturbation

PerturbCellRL: 사후 학습 섭동 생성기를 통한 분포 정렬 및 생물학적 그라운딩

PerturbCellRL: Aligning Distributions and Grounding Biology via Post-Training Perturbation Generators

단일 세포 섭동(single-cell perturbation) 모델은 세포가 개입에 전사체 수준에서 어떻게 반응하는지 예측함으로써 비용이 많이 드는 습식 실험 스크리닝을 줄일 수 있습니다. 최근 플로우 매칭(flow-matching)의 발전으로 세포 반응의 집단 수준 예측이 가능해졌습니다. 그러나 플로우 매칭 학습(training)은 동일한 모델(model) 패밀리 내에서도 특정 타깃 분포를 복원하지 못할 수 있어 세포 이질성을 포착하는 능력이 제한됩니다. 본 연구에서는 먼저 사후 학습(post-training)이 이러한 분포를 복원할 수 있음을 증명한 후, 세포별 보상(reward)을 사용하여 단일 세포 섭동 생성기를 사후 학습하는 강화학습(reinforcement learning) 프레임워크인 PerturbCellRL을 소개합니다. 핵심 구성 요소는 집단 수준의 불일치를 세포별 피드백으로 변환하는 유전자 발현 에너지 위트니스(energy witness)입니다. 나아가 이 보상의 정책 그래디언트(policy gradient)가 더 나은 분포 정렬(distributional alignment)을 향한다는 점을 증명합니다. 실제 세포를 기반으로 보정된 두 가지 상호 보완적 보상은 비전형적인 발현 프로필과 섭동에 대한 불충분한 경로 수준 반응에 페널티를 부여합니다. 유전적 및 화학적 섭동 벤치마크 전반에서 PerturbCellRL은 분포 정렬을 크게 개선하고 경로 농축 패턴을 더욱 충실하게 복원합니다. 이러한 결과는 보상 기반 사후 학습이 섭동 예측에서 분포 정확도와 생물학적 충실도를 모두 향상시키는 효과적인 전략임을 입증합니다.

arXiv:2410.02548v4stat.ML공통 태그 flow matching공식 코드 · Papers with Code

지역 Flow Matching 생성 모델

Local Flow Matching Generative Models

Flow Matching(FM)은 두 분포를 보간하는 연속적·가역적 flow를 학습하는 시뮬레이션 없는 방법이며, 특히 노이즈에서 데이터를 생성한다. 확산 과정이 그래디언트 flow로서 갖는 변분적 성질에 영감을 받아, 우리는 단계적 FM 모델인 지역 Flow Matching(LFM)을 제안한다. LFM은 FM 서브모델들의 시퀀스를 순차적으로 학습하고, 각 서브모델은 데이터에서 노이즈 방향으로의 time-step 크기에 해당하는 범위까지 확산 과정과 일치시킨다. 각 단계에서 서브-flow 모델이 보간하는 두 분포는 데이터와 노이즈 분포를 보간하는 전체 flow matching 모델의 경우보다 더 가깝다. 이를 통해 더 작은 모델과 더 효율적인 학습이 가능하다. 이러한 변분적 관점은 또한 확산 과정의 수축(contraction) 성질을 활용하여, 생성된 분포와 실제 데이터 분포 사이의 $χ^2$-발산에 대한 관점에서 제안 flow 모델의 이론적 생성 보장을 증명할 수 있게 한다. 실제로 LFM의 단계적 구조는 모델 지식 증류에 자연스럽게 적합하며, 다양한 지식 증류 기법을 적용하여 생성을 가속할 수 있다. 우리는 실험적으로 LFM이 표 형식 및 이미지 데이터셋의 비조건부 생성과 로봇 조작 정책의 조건부 생성에서 FM과 비교해 경쟁력 있는 생성 성능을 달성함을 보인다.

arXiv:2610.03391v2cs.CV공통 태그 flow matching

월드 액션 모델을 위한 비디오 기반 네이티브 액션 사전확률 학습

Native Action-Prior Learning from Videos for World Action Models

월드 액션 모델(World action models)은 미래의 시각적 역역학과 로봇 액션 예측을 통합하지만, 액션 레이블이 지정된 로봇 궤적이 필요하다는 점에서 확장성에 한계가 있습니다. 관찰 전용(observation-only) 비디오는 상호작용 역학에 대한 풍부한 정보를 담고 있지만, 기존 접근법들은 대개 이를 사후에 제어용으로 조정해야 하는 시각적 표현을 사전학습(pre-training)하는 데 사용하거나, 추후 로봇 명령으로 그라운딩되는 잠재 액션(latent actions)을 추론하는 데 활용하는 데 그칩니다. 본 연구에서는 간접적인 표현-제어 간 전이나 별도의 잠재 액션 모델 없이 관찰 전용 비디오로부터 액션 정책을 직접 사전학습하는 네이티브 액션 사전확률 학습(native action-prior learning)을 도입한 NAVA-WAM을 제시합니다. 우리의 학습(training)은 2단계로 구성됩니다. 첫째, 관찰 전용 비디오를 통해 사전학습을 진행하며, 시각적 전이에 대한 미래 비디오 플로우 매칭(flow-matching) 감독 신호가 전이 구조화된 결합 어텐션을 통해 전파되어 Action-DiT를 최적화하고 액션 관련 사전확률을 학습합니다. 둘째, 액션 레이블이 지정된 시연 데이터를 사용하여 결합 비디오-액션 플로우 매칭을 통해 로봇 제어를 위한 Action-DiT 사후학습(post-training)을 수행하며, 이때 비대칭 어텐션이 시각 브랜치를 반복적인 액션 노이즈 제거 과정과 분리하여 효율적인 액션 전용 추론(inference)을 가능하게 합니다. 광범위한 실험 결과, NAVA-WAM은 분포 내(in-distribution) 및 분포 외(out-of-distribution) 설정 모두에서 기존 접근 방식을 일관되게 능가하는 동시에 뛰어난 액션 레이블 효율성과 효과적인 실제 로봇 일반화 성능을 입증했습니다. 이러한 결과는 네이티브 액션 사전확률 학습이 관찰 전용 비디오로부터 액션 정책을 직접 사전학습하는 효과적인 접근법임을 입증하며, 액션 레이블 기반 로봇 데이터를 뛰어넘는 확장 가능한 경로를 제공합니다.

arXiv:2609.14743v3cs.CL공통 태그 flow matching

음성-텍스트 언어 모델에서 생성 모달리티 간극 정량화

Quantifying the Generation Modality Gap in Speech-Text Language Models

순수 음성 언어 모델(speech language model)은 일관성 있는 콘텐츠를 생성하는 데 있어 텍스트 및 음성-텍스트 언어 모델에 비해 뒤처지는 경우가 많지만, 음성과 텍스트 시스템이 일반적으로 서로 다른 지표로 평가되고 서로 다른 데이터로 학습(training)되기 때문에 이러한 간극을 정량화하기는 어렵습니다. 본 연구에서는 연속적인 음향 특징(feature) 생성을 위한 플로우 매칭(flow matching)을 기반으로 하는 일련의 음성 언어 모델 계열에서 음성-텍스트 모달리티 간극(modality gap)을 연구합니다. 일치된 데이터 분포에서 학습되고 일치된 생성 환경에서 평가되는 음성 전용, 텍스트 전용, 음성-텍스트 언어 모델을 비교하는 통합 생성 기반 평가 스위트를 구축합니다. 생성된 음성을 전사하고 참조 언어 모델로 점수를 매겨 측정한 의미론적 일관성(semantic coherence), 음소 n-그램 분포 통계로 측정한 국소적 음소 구조, 화자 일관성 및 음향 품질, 감정 기반 분포 지표 등 여러 차원에 걸쳐 생성된 연속 발화를 평가합니다. 데이터셋 전반에 걸쳐 음성-텍스트 결합 모델링이 의미론적 일관성을 크게 향상시킨다는 점을 확인했습니다. 그러나 이러한 개선이 모든 지표에서 균일하지는 않습니다. 음소 수준 지표는 미미하게만 변화하고, 음성-텍스트 연속 생성물에서 화자 유사도와 예측 품질은 더 낮은 반면 감정 기반 분포 지표는 향상됩니다. 더 큰 규모의 음성 전용 모델과 비교할 때, 제안하는 음성-텍스트 모델은 전사 기반 의미론적 일관성에서 스케일링(scaling) 격차의 상당 부분을 좁히며, 이는 텍스트가 음성 언어 모델링에 효율적인 의미론적 학습 신호를 제공함을 시사합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.