🔥 今日值得一读
虚拟细胞预测新突破：MRFlow在八项基准测试中拿下最高综合得分！
MRFlow: Mechanism-Structured Residual Flow Matching for Virtual Cell Perturbation Prediction
👨💼 主理人解读 · 为什么值得关注
可用于药物与基因扰动下的细胞响应预测，开发者能借此构建更贴近真实分布的单细胞虚拟模型。
📖 AI 总结
MRFlow 针对虚拟细胞扰动预测提出了一种新的建模范式。作者指出，现有单细胞模型多将每种扰动条件简化为平均表达偏移，这与扰动生物学的真实情况不符——同一干预下可能同时存在稀有状态、耐药亚群和依赖上下文的效果差异。为此，MRFlow 将虚拟细胞预测重新定义为经验单细胞测量之间的条件传输问题：把对照与扰动细胞嵌入变分隐状态空间，在分离的小批量状态上构建贪心低成本监督，并用条件流匹配向量场将对照群体输运至扰动群体。该向量场分解为机制结构化的仿射字典（重组共享隐响应算子与低秩条件特异修正）和用于非线性细胞级变异的谱控残差场，基因扰动经调控图 GCN 编码，化学扰动经 Morgan 指纹编码，二者共享同一条件动力学接口。在八项基因与药物扰动基准上，MRFlow 取得最高综合得分，同时在差异表达和分布度量上保持有竞争力的原始性能，表明潜分布传输是扰动感知虚拟细胞建模的一种合理且有效的表述。
🔑 关键词速览
| MRFlow | 一种用于虚拟细胞扰动预测的机制结构残差流匹配模型，将预测视为单细胞分布间的条件传输。 |
| 流匹配 (Flow Matching) | 一种生成建模方法，通过回归条件向量场来学习从简单分布到目标分布的连续传输。 |
| 变分潜在状态空间 (Variational Latent State Space) | 使用变分自编码器将细胞嵌入低维潜在空间，以捕捉细胞状态的分布。 |
| 调控图GCN (Regulatory-Graph GCN) | 基于基因调控网络图结构的图卷积网络，用于编码遗传扰动的表示。 |
| Morgan指纹 (Morgan Fingerprints) | 一种常用的分子结构表示方法，将化学分子编码为固定长度的二进制向量。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅