LoCoFlow: Local-Context Flow Matching for Single-Cell Dynamics and Fate Inference

ملخص تقني: LoCoFlow

بيان المشكلة

توفر تسلسل الخلية الواحدة لقطات عالية الدقة للحالات الخلوية عند نقاط زمنية منفصلة، إلا أن الطبيعة التدميرية للقياس تمنع مراقبة الارتباطات الطولية الحقيقية بين الخلايا الفردية. إن إعادة بناء المسارات التنموية المستمرة من هذه اللقطات هي مشكلة سيئة التحديد (ill-posed problem) ذات حلول متعددة محتملة. علاوة على ذلك، غالبًا ما تتعامل الطرق الحالية مع الخلايا كمتجهات معزولة، مما يؤدي إلى الفشل في تمثيل هندسة المانيفولد (manifold geometry) المحلية لفضاء حالة الخلية أو عدم اليقين المتأصل في تنوع السلالات. وبينما قد تُظهر الخلايا ذات الحالات النسخية المتشابهة توجهات مصير متباعدة، فإن طرق النقل الأمثل (optimal transport) ومطابقة التدفق (flow-matching) الحالية عادةً ما تستنتج الاقترانات الزمنية على مستوى الخلية الفردية، مما يفتقر إلى إطار عمل قوي لنمذجة تطور جيران الخلايا المحلي ككتل متماسكة.

المنهجية: LoCoFlow

يقدم المؤلفون LoCoFlow (مطابقة تدفق السياق المحلي)، وهو إطار عمل يدمج هندسة السحابة النقطية المحلية مع عدم اليقين الشرطي للمصير لنمذجة ديناميكيات الخلية الواحدة. تعمل الطريقة عبر مرحلتين رئيسيتين:

1. بناء الرقع المحلية والارتباط الهرمي

بدلاً من مطابقة الخلايا المعزولة، يقوم LoCoFlow ببناء "رقع" (patches) متداخلة (جيران محليين) حول الخلايا المرجعية (anchor cells).

• تعريف الرقعة: بالنسبة لبيانات التعبير، تكون الرقع عبارة عن جيران جيوديسية على رسم بياني لأقرب جار؛ وبالنسبة للبيانات المكانية، فهي جيران ثابتة الحجم في الإحداثيات المقاسة.
• النقل الهرمي: تستخدم الطريقة مخطط نقل على مستويين (two-level OT). أولاً، تحل مشكلة نقل على مستوى الرقعة باستخدام مسافة Bures لمحاذاة مراكز الرقع وتغايرها (الذي يلتقط الموقع والانتشار معاً). ثانياً، ضمن أزواج الرقع المحتفظ بها، تقوم بحساب مخطط نقل على مستوى الخلية منظم بالإنتروبيا.
• التعيين الناعم (Soft Assignment): يؤدي تجميع هذه المخططات إلى توزيع شرطي للخلايا المستهدفة لكل مصدر، بدلاً من التعيين الصلب، مما يحافظ على ارتباطات التتابع المتعددة المحتملة.

2. خط تدريب من مرحلتين

• المرحلة 1: نقل الجسر المنظم هندسياً:
  • باستخدام مجموعات النهايات الطرفية المزدوجة المستمدة من النقل الهرمي، يتعلم النموذج "الجسور" (المسارات الوسيطة) بين رقع المصدر ورقع الهدف.
  • تتنبأ شبكة عصبية بحقل سرعة متبقي $f_\theta$ الذي، بالاقتران مع الاستكمال الخطي، يضمن مرور المسار بالضبط عبر النهايات الطرفية.
  • الأولويات الهندسية: تتضمن دالة الخسارة حدود الطاقة الحركية وعقوبة شعاعية تقيد التشوه النسبي (التمدد/الانكماش) للرقعة دون تقييد الإزاحة المشتركة. كما تعاقب السرعات المتعامدة مع هندسة المانيفولد المحلي المقدرة.
• المرحلة 2: تقطير السرعة الشرطية:
  • بما أن الحالة المستقبلية غير معروفة أثناء الاستنتاج، لا يمكن استخدام "الجسر" (الذي يتطلب كلا الطرفين) بشكل مباشر. يقوم LoCoFlow بتقطير سرعات الجسر إلى حقل سرعة شرطي $V_\omega$.
  • الكمونات الهرمية: يتعلم النموذج توليد أكواد الهدف $c_i$ من سياق المصدر $Z_0$ باستخدام بنية كامنة هرمية: كامن مشترك للرقعة $\eta_P$ (يلتقط النتائج على مستوى السكان) وكوامن خاصة بالخلية $\eta_i$ (تلتقط التباين الفردي).
  • التدريب: يتعلم مشفر الهدف أولاً رسم خرائط النهايات الطرفية المرصودة إلى الأكواد $c^\star$. ثم يتعلم مولد إنتاج هذه الأكواد من سياق المصدر والكوامن. يتم تدريب شبكة السرعة لمطابقة سرعات الجسر مشروطة بهذه الأكواد المولدة.
  • الاستنتاج: في مرحلة الاستنتاج، يتم سحب الأكواد الكامنة من توزيع قبلي (prior) (دون ملاحظات مستقبلية) وتثبيتها أثناء التكامل. يسمح هذا بأخذ عينات من المسارات البديلة التي تمثل عدم اليقين في المصير.

المساهمات الرئيسية

1. تمثيل السياق المحلي: ينقل الوحدة الأساسية لنمذجة الديناميكيات من متجهات التعبير المعزولة إلى حالات السكان المحلية (السحب النقطية)، مع نمذجة تطور هندسة الجوار بشكل صريح.
2. النقل الهرمي: يقدم آلية نقل أمثل مزدوجة (على مستوى الرقعة ومستوى الخلية) تحترم الحركة العالمية لمجموعات الخلايا والتغيرات الهيكلية الداخلية (مثل عدم التجانس والتوسع).
3. عدم اليقين في المصير الشرطي: يطور عملية تقطير من مرحلتين تفصل بين قيود المسار الهندسي وعدم اليقين في النتيجة، مما يسمح بأخذ عينات من مسارات مصير متعددة محتملة دون الحاجة لملاحظات مستقبلية.
4. إطار تحليل الاضطراب: يوفر آلية للتمييز بين تأثيرات الخلايا البؤرية وتأثيرات الجوار (الخلفية) في محاكاة اضطراب الجينات، مما يكشف كيف يشكل السياق المحلي الاستجابات المتوقعة.

النتائج التجريبية

يقيم البحث LoCoFlow عبر ثلاثة مجموعات بيانات: تمايز الأجسام المضغية (EB)، إعادة برمجة الخلايا الجذعية المستحثة (iPSC)، تطور C. elegans، وتجديد دماغ سمندل (Axolotl).

• إعادة البناء المستبعد (Held-Out Reconstruction): في مجموعات بيانات EB وiPSC، يحقق LoCoFlow مسافات Wasserstein ($W_1, W_2$) أقل مقارنة بالنماذج المرجعية مثل OT-CFM وMFM وPACE في معظم الإعدادات عالية الأبعاد (مثل PCA50). ومع ذلك، تشير الورقة إلى أن LoCoFlow قد يُظهر أحياناً تباعداً أعلى في متوسط المربع (MMD)، مما يشير إلى أن التنبؤات قد تكون أكثر تركيزاً في مناطق محددة من فضاء حالة الخلية.
• توقع المصير (بيانات LARRY): باستخدام بيانات LARRY المتتبعة للسلالات، يقلل LoCoFlow متوسط خطأ براير الخام (Brier error) من 0.7990 (scDiffEq) إلى 0.6620، مما يش indicat إلى تحسن في دقة التنبؤ بمتجهات احتمالية المصير الكاملة.
• استجابات الاضطراب:
  • الرقع الهندسية: عند اضطراب الجينات في رقع هندسية محددة، تنتج تدخلات الخلفية فقط وجميع الأعضاء استجابات متوافقة (مثل تحويل المصير من الخلايا الوحيدة إلى الخلايا المتعادلة).
  • الدفعات الصغيرة العشوائية: في المقابل، تُظهر النماذج التي تستخدم رقعاً مجمعة عشوائياً استجابات متضاربة بين الخلايا البؤرية والخلفية، مما يسلط الضوء على أهمية السياق الهندسي.
• الاستكمال المكاني (Axolotl): يحسن LoCoFlow التنبؤ المكاني ($W_2$) لتجديد دماغ السمندل مقارنة بـ OT-CFM، رغم أن المؤلفين يلاحظون أن التوزيعات المكانية المتوقعة تظل متشابهة بصرياً مع النقطة الزمنية المصدر، مما يشير إلى الحاجة لمزيد من المحاذاة المكانية.

الأهمية والادعاءات

تدعي الورقة أن LoCoFlow يوفر إطار عمل قوياً لدراسة كيفية تشكيل بنية مجتمع الخلايا المحلي للمسارات المستنتجة مع التمثيل الصريح لعدم اليقين في مصير الخلية. ويؤكد المؤلفون على أن:

• السياق المحلي أمر حاسم: تدعم أنماط الاستجابة المتميزة الملاحظة بين الرقع الهندسية والدفعات العشوائية الفرضية القائلة بأن السياق المحلي هو تمثيل مفيد للاستدلال الاحتمالي للمصير.
• افتراضات النمذجة: يحافظ المؤلفون على موقف متواضع، معترفين بأن بيانات اللقطات لا تحدد تاريخ الخلايا بشكل فريد. إن المكونات الهندسية والكامنة لـ LoCoFlow تفرض افتراضات نمذجة بدلاً من الكشف عن علاقات السلالة الحقيقية.
• الفرضيات القابلة للاختبار: يولد إطار العمل فرضيات قابلة للاختبار فيما يتعلق بكيفية تشكيل السياق المحلي للاستجابات المتوقعة للاضطرابات، مع التمييز بين التغييرات الخلوية الذاتية والتأثيرات البيئية.

لا يدعي العمل حل الغموض الجوهري لاستدلال المسارات، بل يقدم طريقة تتماشى بشكل أفضل مع هندسة المانيفولد لحالات الخلايا وتوفر طريقة مهيكلة لقياس وعينات عدم اليقين في المصير.