arXiv cs.AI· Haojie Yang, Ran Su·· 3 天前AI 评分22
MRFlow：机制结构化残差流匹配用于虚拟细胞扰动预测
MRFlow: Mechanism-Structured Residual Flow Matching for Virtual Cell Perturbation Prediction
AI 导读
MRFlow 将虚拟细胞预测建模为单细胞经验分布间的条件传输，通过流匹配向量场把对照细胞群输运至扰动细胞群，场分解为机制结构化仿射字典与谱控残差场。基因扰动经调控图 GCN 编码，化学扰动经 Morgan 指纹编码，二者共用同一条件动力学接口。在八个基因与药物扰动基准上，MRFlow 取得最高综合得分，同时在差异表达与分布指标上保持有竞争力的原始表现。
正文 · AI 翻译
摘要：预测细胞对化学和遗传扰动的反应是 AI 虚拟细胞的核心测试，然而许多单细胞模型将每种条件简化为平均表达偏移。这一目标与扰动生物学并不一致：在相同干预下，稀有状态、耐药亚群和依赖背景的效应大小可能同时存在。MRFlow 将虚拟细胞预测视为经验单细胞测度之间的条件传输。对照细胞和扰动细胞被嵌入变分潜状态空间，在分离的小批量状态上构建贪心低成本监督，并通过条件流匹配向量场将对照群体传输至扰动群体。该场分解为机制结构化的仿射字典——它将共享的潜在响应算子与低秩条件特异性校正重新组合——以及用于非线性细胞级变异的谱控制残差场。遗传扰动通过调控图 GCN 编码，化学扰动通过 Morgan 指纹编码，二者进入同一条件动力学接口。在八个基因和药物扰动基准上，MRFlow 取得了最高综合得分，同时在差异表达和分布指标上保持了有竞争力的原始性能。这些结果支持将潜在分布传输作为扰动感知虚拟细胞建模的一种有原则且经验有效的表述。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；定量方法（q-bio.QM） |
| 引用为： | arXiv:2610.13966 [cs.LG] |
| （或 arXiv:2610.13966v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13966 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hao'jie Yang [查看电子邮件]
[v1]
2026年9月10日星期四 09:55:56 UTC（2,613 KB）
来源：arXiv cs.AI · arxiv.org