🧬 biology

FLUX: Geometry-Aware Longitudinal Flow Matching with Mixture of Experts

FLUX एक ज्यामिति-जागरूक अनुदैर्ध्य फ्लो मैचिंग फ्रेमवर्क है जो अनपेयर्ड (unpaired) जैविक स्नैपशॉट्स से निरंतर परिवहन गतिकी को संयुक्त रूप से मॉडल करने और लेटेंट रिजीम स्विचों की खोज करने के लिए एक मिक्सचर-ऑफ-एक्सपर्ट्स आर्किटेक्चर का उपयोग करता है, जो स्पार्स वेलोसिटी फील्ड डिकंपोजिशन को निर्देशित करने के लिए एक डेटा-डिपेंडेंट मेट्रिक को सीखता है।

मूल लेखक: Josue Ortega Caro, Yongxu Zhang, Hannah M Batchelor, Sizhuang He, Jessica Cardin, Shreya Saxena

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Josue Ortega Caro, Yongxu Zhang, Hannah M Batchelor, Sizhuang He, Jessica Cardin, Shreya Saxena

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि एक शहर समय के साथ कैसे बदलता है। आपके पास अलग-अलग दिनों में ली गई तस्वीरों की एक श्रृंखला है, लेकिन एक समस्या है: आपको यह नहीं पता कि फोटो A में कौन सा विशिष्ट व्यक्ति फोटो B में वही व्यक्ति है। लोग अपनी जगह बदल चुके हैं, रोशनी बदल गई है, और कैमरा एंगल भी थोड़ा अलग है। आपके पास बस सुबह 9:00 बजे की भीड़ है, 10:00 बजे की भीड़ है, और 11:00 बजे की भीड़ है, लेकिन कोई नाम या ट्रैकिंग टैग नहीं है।

यह बिल्कुल वही समस्या है जिसका सामना जीव वैज्ञानिक (biologists) मस्तिष्क की कोशिकाओं या विकसित होते भ्रूणों जैसे विषयों का अध्ययन करते समय करते हैं। वे हजारों कोशिकाओं के स्नैपशॉट ले सकते हैं, लेकिन वे एक क्षण से दूसरे क्षण तक एक ही कोशिका का पीछा नहीं कर सकते क्योंकि माप लेने की प्रक्रिया अक्सर कोशिका को नष्ट कर देती है या कोशिकाएं इधर-उधर खिसक जाती हैं।

यह शोध पत्र इस पहेली को सुलझाने के लिए एक नया टूल पेश करता है जिसे FLUX कहा जाता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं (analogies) का उपयोग किया गया है:

1. समस्या: "सीधी रेखा" का जाल (The "Straight Line" Trap)

यदि आप केवल 9:00 और 10:00 के बीच शहर में हुए बदलाव का अनुमान लगाने के लिए दोनों भीड़ के बीच एक सीधी रेखा खींचने की कोशिश करते हैं, तो आप गलती कर सकते हैं।

वास्तविकता: शहर एक घुमावदार पहाड़ी पर बना है। बिंदु A से बिंदु B तक पहुँचने के लिए, आपको पहाड़ी के साथ चलना होगा।
गलती: यदि आप हवा में एक सीधी रेखा (एक "यूक्लिडियन" शॉर्टकट) खींचते हैं, तो आप इमारतों के ऊपर तैरते हुए या जमीन में धंसते हुए दिखाई दे सकते हैं। जीव विज्ञान में, इसका अर्थ है कि आपका मॉडल सुझाव दे सकता है कि कोशिकाएं कुछ ऐसा कर रही हैं जो शारीरिक रूप से असंभव या जैविक रूप से तर्कहीन है।

FLUX का समाधान: यह पहले उस "पहाड़ी" (मैनिफोल्ड/manifold) के आकार को सीखता है जहाँ सारा डेटा मौजूद है। हवा में उड़ने के बजाय, FLUX डेटा की प्राकृतिक वक्रता और बाधाओं का सम्मान करते हुए, उसकी सतह के साथ चलना सीखता है।

2. बड़ा मोड़: "ट्रैफिक स्विच" (The "Traffic Switch")

जैविक प्रणालियाँ केवल चलती नहीं हैं; वे अक्सर कैसे चलती हैं, इसे भी बदल देती हैं।

उपमा: कल्पना कीजिए कि आप कार चला रहे हैं। सुबह, आप एक शांत पड़ोस (रेजीम A) में गाड़ी चला रहे हैं। अचानक, आप रश ऑवर (भीड़भाड़ वाले समय) में पहुँच जाते हैं और हाईवे (रेजीम B) पर स्विच कर जाते हैं। सड़क के नियम पूरी तरह से बदल जाते हैं।
चुनौती: पुराने मॉडल पूरी यात्रा के लिए नियमों का एक ही सेट खोजने की कोशिश करते हैं। जब नियम बदलते हैं, तो वे भ्रमित हो जाते हैं।
FLUX का समाधान: FLUX एक "मिक्सचर ऑफ एक्सपर्ट्स" (Mixture of Experts) का उपयोग करता है। इसे एक स्मार्ट ट्रैफिक कंट्रोलर के रूप में सोचें जिसके पास विशेषज्ञ ड्राइवरों की एक टीम है:
- ड्राइवर A जानता है कि शांत पड़ोस में कैसे गाड़ी चलानी है।
- ड्राइवर B जानता है कि हाईवे पर कैसे गाड़ी चलानी है।
- द राउटर (The Router): एक स्मार्ट AI जो वर्तमान स्थिति को देखता है और कहता है, "ठीक है, हम अभी पड़ोस में हैं, चलिए ड्राइवर A का उपयोग करते हैं," और फिर बाद में, "हम हाईवे पर पहुँच गए हैं, ड्राइवर B पर स्विच करें!"

FLUX केवल रास्ता नहीं बताता; यह यह भी पता लगाता है कि सड़क के नियम कब और क्यों बदले।

3. उन्होंने इसका परीक्षण किस पर किया?

लेखकों ने यह देखने के लिए कि क्या यह काम करता है, चार अलग-अलग "शहरों" पर FLUX का परीक्षण किया:

बनी (एक 3D आकृति): उन्होंने एक खरगोश के डिजिटल मॉडल का उपयोग किया। वे सतह के सटीक आकार को जानते थे। FLUX सफलतापूर्वक यह पता लगा सका कि डेटा के उच्च-आयामी स्थान (high-dimensional space) में खिंच जाने के बावजूद, बिंदुओं को खरगोश की घुमावदार त्वचा के साथ कैसे आगे बढ़ाना है।
लोरेन्ज़ सिस्टम (एक मौसम सिम्युलेटर): यह अराजक मौसम (chaotic weather) का एक प्रसिद्ध गणितीय मॉडल है। इसमें व्यवहार के दो अलग-अलग "मोड" होते हैं। FLUX ने सही ढंग से पहचाना कि सिस्टम ने एक मोड से दूसरे मोड में कब स्विच किया, जबकि अन्य मॉडल इसे केवल एक धुंधले मलबे के रूप में देखते थे।
चूहों का मस्तिष्क (एक कार्य सीखना): उन्होंने चूहों को कई दिनों तक एक विजुअल टास्क सीखते हुए देखा। FLUX ने पता लगाया कि मस्तिष्क की गतिविधि "प्रारंभिक सीखने" के चरण के दौरान नियमों के एक सेट का पालन करती है और "देर से सीखने" के चरण के दौरान पूरी तरह से अलग नियमों का पालन करती है। इसने इस खोज को चूहों के व्यवहार में आए वास्तविक बदलाव के क्षण के साथ मिला दिया।
भ्रूण कोशिकाएं (बढ़ना): उन्होंने स्टेम कोशिकाओं को विशिष्ट कोशिकाओं में बदलते हुए देखा। FLUX ने सफलतापूर्वक "स्टेम सेल" चरण को "विशिष्ट कोशिका" चरण से अलग किया, और उस संक्रमण बिंदु की पहचान की जहाँ कोशिकाओं ने अपनी आंतरिक प्रोग्रामिंग बदल दी थी।

4. मुख्य निष्कर्ष

लेख का दावा है कि ज्यामिति (geometry) मायने रखती है। आप केवल डेटा बिंदुओं को नहीं देख सकते; आपको उस आकार को समझना होगा जिस पर वे स्थित हैं।

यदि आप आकार को अनदेखा करते हैं, तो आप गति को सही बता सकते हैं लेकिन गति के कारण को मिस कर सकते हैं।
यदि आप बदलते नियमों (रेजीम्स) को अनदेखा करते हैं, तो आप एक क्षण के लिए गति को सही बता सकते हैं लेकिन बड़ी तस्वीर को समझने में विफल हो सकते हैं।

FLUX इन दोनों विचारों को जोड़ता है: यह डेटा के आकार को सीखता है और यह समझने के लिए विशेषज्ञ ड्राइवरों की एक टीम का उपयोग करता है कि खेल के नियम कब बदलते हैं। यह वैज्ञानिकों को यह पुनर्निर्मित करने की अनुमति देता है कि जैविक प्रणालियाँ कैसे विकसित होती हैं, भले ही उनके पास केवल बिना जोड़े गए (unpaired) स्नैपशॉट्स हों।

तकनीकी सारांश: FLUX – मिश्रण विशेषज्ञों (Mixture of Experts) के साथ ज्यामिति-जागरूक अनुदैर्ध्य प्रवाह मिलान (Geometry-Aware Longitudinal Flow Matching)

1. समस्या विवरण

कई जैविक प्रणालियाँ, जैसे कि तंत्रिका परिपथ (neural circuits) और विभेदित कोशिका जनसंख्या, निरंतर स्थानीय गतिकी (local dynamics) के माध्यम से विकसित होती हैं, जबकि वे सीखने, उद्दीपन संदर्भ या विकासात्मक चरणों द्वारा परिभाषित गुप्त शासन (latent regimes) के बीच स्विच करती हैं। हालाँकि, ये प्रणालियाँ अक्सर केवल अयुग्मित अनुदैर्ध्य स्नैपशॉट (unpaired longitudinal snapshots) के रूप में देखी जाती हैं। वाइडफील्ड कैल्शियम इमेजिंग या सिंगल-सेल आरएनए सीक्वेंसिंग जैसी स्थितियों में, शोधकर्ता समय के विभिन्न बिंदुओं पर एक ही व्यक्तिगत कोशिकाओं या न्यूरॉन्स को ट्रैक नहीं कर सकते; इसके बजाय, वे मार्जिनल वितरणों ( $\mu_0, \mu_1, \dots, \mu_{T-1}$ ) का एक क्रम देखते हैं।

यह सेटिंग दो युग्मित चुनौतियों को प्रस्तुत करती है:

ज्यामितीय बाधाएं (Geometric Constraints): उच्च-आयामी जैविक माप अक्सर निम्न-आयामी, घुमावदार गैर-रेखीय मैनिफोल्ड्स (manifolds) के पास केंद्रित होते हैं। अयुग्मित एंडपॉइंट्स के बीच मानक यूक्लिडियन इंटरपोलेन्ट्स (Euclidean interpolants) निम्न-घनत्व वाले क्षेत्रों से गुजर सकते हैं, जो बायोफिजिकल बाधाओं का उल्लंघन करते हैं और अवस्था स्थान (state space) की अंतर्निzaगत ज्यामिति का सम्मान करने में विफल रहते हैं।
शासन खोज (Regime Discovery): अंतर्निहित परिवहन तंत्र (प्रवाह) अक्सर समय के साथ बदलता है। उदाहरण के लिए, तंत्रिका गतिविधि व्यापक उद्दीपन-पुरस्कार अपेक्षा से विशिष्ट भेदभाव की ओर स्थानांतरित हो सकती है, या कोशिकाएं प्लुरिपोटेंट (pluripotent) से वंश-प्रतिबद्ध (lineage-committed) कार्यक्रमों में परिवर्तित हो सकती हैं। ये स्थानीय गतिकी (regimes) में परिवर्तन हैं, न कि केवल स्थानिक क्लस्टर। मौजूदा विधियाँ अक्सर परिवहन सटीकता पर ध्यान केंद्रित करती हैं लेकिन वे 'लेटेंट डायनामिकल रेजीम' की पहचान करने के लिए वेग क्षेत्र (velocity field) को डीकंपोज करने में विफल रहती हैं।

2. कार्यप्रणाली: FLUX

लेखक FLUX (unpaired longitudinal data with miXture-of-experts के लिए Flow matching) पेश करते हैं, जो निरंतर परिवहन और अनसुपरवाइज्ड शासन खोज (unsupervised regime discovery) को संयुक्त रूप से मॉडल करता है। यह विधि तीन क्रमिक चरणों में कार्य करती है:

A. ज्यामिति-जागरूक सशर्त पथ (Geometry-Aware Conditional Paths)

FLUX मेट्रिक फ्लो मैचिंग (Metric Flow Matching) को अनुदैर्ध्य सेटिंग्स के लिए विस्तारित करता है। आसन्न मार्जिनल्स के बीच सीधे यूक्लिडियन पथों के बजाय, FLUX संचित अवलोकनों (अनलेबल नमूनों सहित) से एक डेटा-निर्भर मेट्रिक सीखता है।

मेट्रिक लर्निंग: एक ज्यामिति बैकएंड (RBF या RBF-MLP डीप-कर्नेल मेट्रिक्स का उपयोग करके) 'डेटा-टू-मैनिफोल्ड स्कोर' का अनुमान लगाता है, जो एक मेट्रिक $G(x)$ को परिभाषित करता है जो डेटा मैनिफोल्ड को छोड़ने वाले पथों को दंडित करता है।
बेंड नेटवर्क (Bend Network): एक नेटवर्क $B$ एंडपॉइंट्स $x_k$ और $x_{k+1}$ के बीच एक अनुमानित ज्यामिति-जागरूक पथ $\gamma_k(\alpha)$ को पैरामीटराइज करता है। यह पथ मैनिफोल्ड पर बने रहने के लिए मुड़ता है, जिससे प्रशिक्षण बिंदु $z_{k,\alpha}$ और लक्ष्य स्पर्श रेखाएं (target tangents) $\dot{z}_{k,\alpha}$ प्राप्त होती हैं जो स्थानीय ज्यामिति का सम्मान करती हैं।

B. शासन-परिवर्तन वेग क्षेत्र (Regime-Switching Velocity Fields)

FLUX वैश्विक वेग क्षेत्र $v_\theta$ को एक मिश्रण विशेषज्ञों (Mixture of Experts - MoE) में डीकंपोज करता है।

विशेषज्ञ वेक्टर क्षेत्र (Expert Vector Fields): मॉडल $M$ स्पार्स विशेषज्ञ वेक्टर क्षेत्र $f_m$ सीखता है।
राउटर (Router): एक राउटर नेटवर्क $g(t, x)$ समय और अवस्था को विशेषज्ञ लॉजिट्स (logits) में मैप करता है।
रूटिंग तंत्र: प्रशिक्षण के दौरान, एक स्ट्रेट-थ्रू गमबेल-सॉफ्टमैक्स (Straight-Through Gumbel-Softmax) तंत्र प्रत्येक नमूने के लिए एक सक्रिय विशेषज्ञ का चयन करता है, जिससे डिस्क्रीट रूटिंग निर्णयों के डिफरेंशिएबल अनुकूलन की अनुमति मिलती है। अनुमान (inference) के समय, शासन का निर्धारण नियत (deterministic) हार्ड असाइनमेंट (argmax) द्वारा किया जाता है।
उद्देश्य (Objective): वेग क्षेत्र को ज्यामिति-जागरूक पथों के स्पर्शों (tangents) से मेल खाने के लिए प्रशिक्षित किया जाता है। राउटर को स्पार्स और टेम्पोरली कोहेरेंट असाइनमेंट को प्रोत्साहित करने और विशेषज्ञ पतन (expert collapse) को रोकने के लिए नियमित (regularize) किया जाता है।

C. प्रशिक्षण पाइपलाइन

स्थिरता सुनिश्चित करने के लिए प्रशिक्षण तीन चरणों में आगे बढ़ता है:

मेट्रिक लर्निंग: संचित नमूनों पर ज्यामिति बैकएंड को प्रशिक्षित करें।
बेंड नेटवर्क प्रशिक्षण: फ्रोजन मेट्रिक के साथ बेंड नेटवर्क को प्रशिक्षित करें ताकि ज्यामिति-जागरूक इंटरपोलेन्ट्स उत्पन्न किए जा सकें।
वेग क्षेत्र प्रशिक्षण: ज्यामिति और बेंड नेटवर्क को फ्रीज करें; उत्पन्न पथों और स्पर्शों पर वेग विशेषज्ञों और राउटर को प्रशिक्षित करें।

3. मुख्य योगदान

अनुदैर्ध्य मार्जिनल्स के लिए विस्तार: लेखक ज्यामिति-जागरूक फ्लो मैचिंग को अनुक्रमिक मार्जिनल वितरणों के लिए विस्तारित करते हैं, जिसमें अनलेबल अवलोकनों की उपलब्धता में अनसुपरवाइज्ड मैनिफोल्ड लर्निंग की भूमिका पर जोर दिया गया है।
वेग डीकंपोजिशन के माध्यम से शासन खोज: वे एक शासन-परिवर्तन वेग क्षेत्र पेश करते हैं जहाँ स्पार्स विशेषज्ञ रूटिंग स्थानीय परिवहन संरचना से सीधे लेटेंट डायनामिकल रेजीम्स की खोज करती है, न कि स्टैटिक अवलोकनों को पोस्ट-हॉक क्लस्टर करती है।
ज्यामिति-शासन परस्पर क्रिया (Geometry-Regime Interplay): यह कार्य प्रदर्शित करता है कि ज्यामितिक लर्निंग शासन खोज के लिए महत्वपूर्ण है, विशेष रूप से जब शासन (regimes) स्टैटिक स्थानिक पृथक्करण के बजाय स्थानीय गतिकी में परिवर्तन द्वारा परिभाषित होते हैं।
जैविक सत्यापन: इस फ्रेमवर्क को दो अलग-अलग जैविक सेटिंग्स पर मान्य किया गया है:
- न्यूरल डेटा: एसोसिएटिव लर्निंग में अर्ली/इंटरमीडिएट ट्रेनिंग से लेट ट्रेनिंग को अलग करना, जो व्यवहार संबंधी विचलन (behavioral divergence) के साथ मेल खाता है।
- विकासात्मक जीव विज्ञान: एम्ब्रियोइड बॉडीज में प्लुरिपोटेंट बनाम विभेदित कोशिका आबादी से जुड़े एक्सप्रेशन-इवोल्यूशन रेजीम्स को रिकवर करना।

4. परिणाम

पेपर चार डेटासेट्स पर FLUX का मूल्यांकन करता है: स्टैनफोर्ड बनी (नियंत्रित मैनिफोल्ड), लोरेन्ज़ अट्रैक्टर (शासन-परिवर्तन गतिकी), वाइडफील्ड कैल्शियम इमेजिंग (न्यूरल लर्निंग), और एम्ब्रियोइड बॉडी डिफरेंशिएशन।

स्टैनफोर्ड बनी: FLUX उन उच्च-आयामी एम्बेडिंग्स में सतह परिवहन (surface transport) को सुरक्षित रखता है जहाँ यूक्लिडियन विधियाँ मैनिफोल्ड पर रहने में विफल रहती हैं।
लोरेन्ज़ अट्रैक्टर: FLUX अराजक (chaotic) और सबक्रिटिकल (subcritical) रेजीम्स के बीच स्विच की पहचान करके पूर्ण शासन रिकवरी (ARI=1.0, NMI=1.0) प्राप्त करता है। महत्वपूर्ण रूप से, बिना मैनिफोल्ड लर्निंग के FLUX (यूक्लिडियन पथों का उपयोग करते हुए) एक एकल विशेषज्ञ में सिमट जाता है, और समान MoE आर्किटेक्चर होने के बावजूद शासन खोजने में विफल रहता है। यह सिद्ध करता है कि ज्यामिति-जागरूक पथ वह वक्रता (curvature) और वेग हस्ताक्षर (velocity signatures) उजागर करते हैं जो विशेषज्ञ विशेषज्ञता (expert specialization) के लिए आवश्यक हैं।
न्यूरल डेटा: FLUX कॉर्टिकल गतिकी में एक संक्रमण की पहचान करता है जो व्यवहार संबंधी भेदभाव (CS+ बनाम CS−) के उद्भव के साथ संरेखित होता है, जो यूक्लिडियन रूटिंग और स्विचिंग डायनामिकल बेसलाइन्स से बेहतर प्रदर्शन करता है।
एम्ब्रियोइड बॉडी: हालांकि यहाँ यूक्लिडियन रूटिंग अच्छा प्रदर्शन करती है (क्योंकि चरण स्थानिक रूप से अलग हैं), मैनिफोल्ड लर्निंग के साथ FLUX प्रतिस्पर्धी बना रहता है, जो यह पुष्ट करता है कि ज्यामिति तब सबसे महत्वपूर्ण होती है जब शासन स्थानीय गतिकी में एनकोड होते हैं।

एब्लेशन निष्कर्ष (Ablation Findings): पेपर स्पष्ट रूप से कहता है कि केवल मिश्रण-विशेषज्ञ (mixture-of-experts) रूटिंग पर्याप्त नहीं है। ज्यामितिक लर्निंग के बिना, मॉडल स्थानीय परिवहन को फिट कर सकता है लेकिन शासन को रिकवर करने में विफल रहता है जब वे स्टैटिक क्लस्टर्स के बजाय स्थानीय गतिकी में एनकोड होते हैं।

5. महत्व और दावे

लेखक दावा करते हैं कि ज्यामिति-जागरूक वेग डीकंपोजिशन अयुग्मित अनुदैर्ध्य स्नैपशॉट से गुप्त जैविक अवस्था परिवर्तनों की खोज के लिए एक सामान्य रणनीति प्रदान करता है।

वैज्ञानिक प्रभाव: FLUX का ध्यान केवल परिवहन सटीकता (वॉसरस्टीन दूरी को कम करना) को अनुकूलित करने से हटकर व्याख्या योग्य (interpretable) डायनामिकल स्ट्रक्चर को रिकवर करने पर केंद्रित है। यह सुझाव देता है कि जैविक प्रणालियाँ अक्सर सीखने और विभेदन जैसी प्रक्रियाओं के दौरान विशिष्ट डायनामिकल रेजीम्स में पुनर्गठित होती हैं।
सीमाएँ: लेखक स्वीकार करते हैं कि तीन अलग-अलग नेटवर्क को प्रशिक्षित करने के कारण FLUX, यूक्लिडियन फ्लो मैचिंग की तुलना में कम्प्यूटेशनल रूप से अधिक महंगा है। वे यह भी नोट करते हैं कि विशेषज्ञों की संख्या पहले से तय होती है, और अनुमानित शासन (inferred regimes) की व्याख्या सावधानी से की जानी चाहिए जब स्थानीय गतिकी शोर युक्त या कमजोर रूप से सैंपल की गई हो।
निष्कर्ष: पेपर निष्कर्ष निकालता है कि FLUX अयुग्मित जैविक स्नैपशॉट के व्याख्या योग्य डायनामिकल मॉडलिंग के लिए एक फ्रेमवर्क प्रदान करता है, जो ज्यामितिक मैनिफोल्ड लर्निंग और शासन-परिवर्तन डायनामिकल सिस्टम के बीच के अंतर को पाटता है।