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

तकनीकी सारांश: LoCoFlow

समस्या विवरण

सिंगल-सेल सीक्वेंसिंग विशिष्ट समय बिंदुओं पर कोशिकीय अवस्थाओं के उच्च-रिज़ॉल्यूशन स्नैपशॉट प्रदान करती है, लेकिन माप की विनाशकारी प्रकृति व्यक्तिगत कोशिकाओं के बीच वास्तविक अनुदैर्ध्य पत्राचार (longitudinal correspondences) के अवलोकन को रोकती है। निरंतर विकासात्मक प्रक्षेपवक्रों (developmental trajectories) का पुनर्निर्माण करना एक इल-पोज़्ड (ill-posed) समस्या है जिसके कई संभावित समाधान हो सकते हैं। इसके अलावा, मौजूदा विधियाँ अक्सर कोशिकाओं को अलग-थलग वेक्टर के रूप में मानती हैं, जो सेल-स्टेट स्पेस के स्थानीय मैनिफोल्ड ज्यामिति (local manifold geometry) या वंश विविधता (lineage diversification) की अंतर्निहित अनिश्चितता को पर्याप्त रूप से दर्शाने में विफल रहती हैं। जबकि समान ट्रांसक्रिप्शनल अवस्था वाली कोशिकाएं भिन्न भाग्य प्रवृत्तियों (divergent fate tendencies) को प्रदर्शित कर सकती हैं, वर्तमान ऑप्टिमल ट्रांसपोर्ट और फ्लो-मैचिंग दृष्टिकोण आमतौर पर व्यक्तिगत कोशिका स्तर पर टेम्पोरल कपलिंग्स का अनुमान लगाते हैं, जिनमें स्थानीय सेल पड़ोस को एकजुट इकाइयों के रूप में विकसित होने वाले मॉडल करने के लिए एक मजबूत ढांचे का अभाव है।

कार्यप्रणाली: LoCoFlow

लेखक LoCoFlow (लोकल-कॉन्टेक्स्ट फ्लो मैचिंग) पेश करते हैं, जो सिंगल-सेल डायनेमिक्स को मॉडल करने के लिए लोकल पॉइंट-क्लाउड ज्यामिति को कंडीशनल फेट अनसर्टेंटी (fate uncertainty) के साथ एकीकृत करता है। यह विधि दो प्राथमिक चरणों में कार्य करती है:

1. लोकल पैच कंस्ट्रक्शन और पदानुक्रमित पत्राचार (Hierarchical Correspondence)

अलग-थलग कोशिकाओं को मिलाने के बजाय, LoCoFlow एंकर कोशिकाओं के चारों ओर ओवरलैपिंग "पैच" (स्थानीय पड़ोस) बनाता है।

• पैच परिभाषा: एक्सप्रेशन डेटा के लिए, पैच एक नियरएस्ट-नेबर ग्राफ पर जियोडेसिक पड़ोस (geodesic neighborhoods) हैं; स्थानिक डेटा के लिए, वे मापे गए निर्देशांकों में निश्चित आकार के पड़ोस हैं।
• पदानुक्रमित परिवहन (Hierarchical Transport): विधि एक दो-स्तरीय ऑप्टिमल ट्रांसपोर्ट (OT) योजना का उपयोग करती है। पहले, यह पैच केंद्रों और कोवेरिएंस (स्थान और फैलाव दोनों को कैप्चर करने के लिए) को संरेखित करने के लिए बुरेस डिस्टेंस (Bures distance) का उपयोग करके पैच-स्तरीय ट्रांसपोर्ट समस्या को हल करती है। दूसरा, रिटेन किए गए पैच जोड़ों के भीतर, यह एक एंट्रॉपी-रेगुलराइज्ड सेल-लेवल ट्रांसपोर्ट प्लान की गणना करती है।
• सॉफ्ट असाइनमेंट: इन योजनाओं का एकत्रीकरण प्रत्येक स्रोत के लिए लक्ष्य कोशिकाओं का एक कंडीशनल डिस्ट्रीब्यूशन प्रदान करता है, न कि एक हार्ड असाइनमेंट, जिससे कई संभावित उत्तराधिकारी पत्राचारों को संरक्षित किया जा सके।

2. दो-चरणीय प्रशिक्षण पाइपलाइन

• चरण 1: ज्योमेट्री-रेगुलराइज्ड ब्रिज ट्रांसपोर्ट:
  • पदानुक्रमित ट्रांसपोर्ट से प्राप्त युग्मित एंडपॉइंट सेट का उपयोग करते हुए, मॉडल सोर्स और टारगेट पैच के बीच "ब्रिज" (मध्यवर्ती पथ) सीखता है।
  • एक न्यूरल नेटवर्क एक रेसिडुअल वेलोसिटी फील्ड $f_\theta$ की भविष्यवाणी करता है, जो लीनियर इंटरपोलेशन के साथ मिलकर यह सुनिश्चित करता है कि पथ एंडपॉइंट्स से होकर गुजरे।
  • ज्यामितीय पूर्ववृत्त (Geometric Priors): लॉस फंक्शन में काइनेटिक एनर्जी टर्म्स और एक रेडियल पेनल्टी शामिल है जो सामान्य ट्रांसलेशन को प्रतिबंधित किए बिना पैच के सापेक्ष विरूपण (विस्तार/संकुचन) को नियंत्रित करती है। यह उन वेगों को भी दंडित करता है जो अनुमानित स्थानीय मैनिफोल्ड ज्यामिति के लंबवत (orthogonal) हैं।
• चरण 2: कंडीशनल वेलोसिटी डिस्टिलेशन:
  • चूंकि इन्फरेंस के दौरान भविष्य की स्थिति अज्ञात होती है, इसलिए ब्रिज (जिसके लिए दोनों एंडपॉइंट्स की आवश्यकता होती है) का उपयोग सीधे नहीं किया जा सकता है। LoCoFlow ब्रिज वेलोसिटीज को एक कंडीशनल वेलोसिटी फील्ड $V_\omega$ में डिस्टिल करता है।
  • पदानुक्रमित लेटेंट्स (Hierarchical Latents): मॉडल एक पदानुक्रमित लेटेंट संरचना का उपयोग करके सोर्स कॉन्टेक्स्ट $Z_0$ से टारगेट कोड $c_i$ उत्पन्न करना सीखता है: एक पैच-शेयर्ड लेटेंट $\eta_P$ (पॉपुलेशन-लेवल परिणामों को कैप्चर करने के लिए) और एक सेल-स्पेसिफिक लेटेंट $\eta_i$ (व्यक्तिगत भिन्नता को कैप्चर करने के लिए)।
  • प्रशिक्षण: एक टारगेट एनकोडर पहले देखे गए एंडपॉइंट्स को कोड $c^\star$ में मैप करना सीखता है। फिर, एक जनरेटर इन कोड्स को सोर्स कॉन्टेक्स्ट और लेटेंट्स से उत्पन्न करना सीखता है। वेलोसिटी नेटवर्क को इन जेनरेटेड कोड्स पर कंडिशन होकर ब्रिज वेलोसिटीज से मेल खाने के लिए प्रशिक्षित किया जाता है।
  • इन्फरेंस: इन्फरेंस के समय, लेटेंट कोड्स को एक प्रायर (भविष्य के अवलोकनों के बिना) से लिया जाता है और इंटीग्रेशन के दौरान स्थिर रखा जाता है। यह भाग्य की अनिश्चितता (fate uncertainty) का प्रतिनिधित्व करने वाले वैकल्पिक प्रक्षेपवक्रों के नमूने लेने की अनुमति देता है।

मुख्य योगदान

1. लोकल-कॉन्टेक्स्ट रिप्रेजेंटेशन: डायनेमिक मॉडलिंग की मौलिक इकाई को अलग-थलग एक्सप्रेशन वेक्टर्स से बदलकर स्थानीय जनसंख्या अवस्थाओं (पॉइंट क्लाउड्स) में स्थानांतरित करता है, जो स्पष्ट रूप से पड़ोस की ज्यामिति के विकास को मॉडल करता है।
2. पदानुक्रमित परिवहन (Hierarchical Transport): एक युग्मित पैच-स्तरीय और सेल-स्तरीय ऑप्टिमल ट्रांसपोर्ट तंत्र पेश करता है जो सेल पॉपुलेशन की वैश्विक गति और उनके आंतरिक संरचनात्मक परिवर्तनों (जैसे, विषमता, विस्तार) दोनों का सम्मान करता है।
3. कंडीशनल फेट अनसर्टेंटी: एक दो-चरणीय डिस्टिलेशन प्रक्रिया विकसित करता है जो ज्यामितीय पथ बाधाओं को परिणाम की अनिश्चितता से अलग करती है, जिससे भविष्य के अवलोकनों के बिना भी कई संभावित भाग्य प्रक्षेपवक्रों का नमूना लेना संभव होता है।
4. परटर्बेशन विश्लेषण फ्रेमवर्क: जीन परटर्बेशन सिमुलेशन में फोकल-सेल प्रभावों और पड़ोस (बैकग्राउंड) प्रभावों के बीच अंतर करने के लिए एक तंत्र प्रदान करता है, जो यह प्रकट करता है कि स्थानीय संदर्भ अनुमानित प्रतिक्रियाओं को कैसे आकार देता है।

प्रयोगात्मक परिणाम

पेपर तीन डेटासेट्स का मूल्यांकन करता है: एम्ब्रियोइड बॉडी (EB) डिफरेंशिएशन, iPSC रीप्रोग्रामिंग, C. elegans डेवलपमेंट, और एक्सोलोटल (Axolotl) ब्रेन रिजनरेशन।

• हेल्ड-आउट रिकंस्ट्रक्शन: EB और iPSC डेटासेट्स पर, LoCoFlow अधिकांश हाई-डायमेंशनल सेटिंग्स (जैसे, PCA50) में OT-CFM, MFM, और PACE जैसे बेसलाइन्स की तुलना में कम वासरस्टीन डिस्टेंस ($W_1, W_2$) प्राप्त करता है। हालांकि, पेपर नोट करता है कि LoCo-Flow कभी-कभी उच्च मैक्सिमम मीन डिसेंट्रिक (MMD) प्रदर्शित करता है, जो बताता है कि भविष्यवाणियां सेल-स्टेट स्पेस के विशिष्ट क्षेत्रों में अधिक केंद्रित हो सकती हैं।
• फेट प्रेडिक्शन (LARRY डेटा): लीनिएज-ट्रेस किए गए LARRY डेटा का उपयोग करते हुए, LoCoFlow मीन रॉ ब्रायर एरर (mean raw Brier error) को 0.7990 (scDiffEq) से घटाकर 0.6620 कर देता है, जो पूर्ण फेट-प्रोबेबिलिटी वेक्टर्स की भविष्यवाणी करने में बेहतर सटीकता को दर्शाता है।
• परटर्बेशन रिस्पॉन्स:
  • जियोमेट्रिक पैचेस: जियोमेट्रिकली डिफाइंड पैचेस में जीन को परटर्ब करने पर, बैकग्राउंड-ओनली और ऑल-मेंबर इंटरवेंशन संरेखित प्रतिक्रियाएं (जैसे, मोनोसाइट्स से न्यूट्रोफिल में भाग्य को शिफ्ट करना) उत्पन्न करते हैं।
  • रैंडम मिनीबैचेस: इसके विपरीत, रैंडमली असेंबल किए गए पैचेस का उपयोग करने वाले मॉडल फोकल-सेल और बैकग्राउंड प्रतिक्रियाओं के विपरीत परिणाम दिखाते हैं, जो यह उजागर करता है कि स्थानीय संदर्भ कितना महत्वपूर्ण है।
• स्पेशियल इंटरपोलेशन (Axolotl): LoCoFlow, Axolotl ब्रेन रिजनरेशन के लिए OT-CFM की तुलना में बेहतर स्पेशियल प्रेडिक्शन ($W_2$) प्रदान करता है, हालांकि लेखक नोट करते हैं कि अनुमानित स्थानिक वितरण सोर्स टाइम पॉइंट के समान ही दिखते हैं, जो अतिरिक्त स्थानिक संरेखण (spatial alignment) की आवश्यकता का सुझाव देता है।

महत्व और दावे

पेपर दावा करता है कि LoCoFlow एक मजबूत ढांचा प्रदान करता है जिससे यह अध्ययन किया जा सके कि स्थानीय सेल पॉपुलेशन संरचना अनुमानित प्रक्षेपवक्रों को कैसे आकार देती है, साथ ही यह भाग्य की अनिश्चितता को स्पष्ट रूप से प्रस्तुत करता है। लेखक इस बात पर जोर देते हैं कि:

• लोकल कॉन्टेक्स्ट महत्वपूर्ण है: जियोमेट्रिक पैचेस और रैंडम मिनीबैचेस के बीच देखे गए अलग-अलग रिस्पॉन्स पैटर्न इस परिकल्पना का समर्थन करते है कि स्थानीय संदर्भ संभाव्य फेट इन्फरेंस (probabilistic fate inference) के लिए एक उपयोगी प्रतिनिधित्व है।
• मॉडलिंग धारणाएं: लेखक एक मध्यम रुख अपनाते हैं, यह स्वीकार करते हुए कि स्नैपशॉट डेटा सेलुलर इतिहास को विशिष्ट रूप से पहचान नहीं सकते हैं। ज्यामितीय और लेटेंट घटक वास्तविक वंशावली संबंधों को प्रकट करने के बजाय मॉडलिंग धारणाएं लागू करते हैं।
• परीक्षण योग्य परिकल्पनाएं: फ्रेमवर्क यह परीक्षण करने योग्य परिकल्पनाएं उत्पन्न करता है कि स्थानीय संदर्भ परटर्बेशन के प्रति अनुमानित प्रतिक्रियाओं को कैसे आकार देता है, जो आंतरिक सेल परिवर्तनों और पर्यावरणीय प्रभावों के बीच अंतर करता है।

यह कार्य यह दावा नहीं करता है कि इसने प्रक्षेपवक्र अनुमान (trajectory inference) की मौलिक अस्पष्टता को हल कर दिया है, बल्कि यह एक ऐसी विधि प्रदान करता है जो सेल स्टेट्स की मैनिफोल्ड ज्यामिति के साथ बेहतर तालमेल बिठाती है और फेट अनसर्टेंटी को मापने और नमूना लेने का एक संरचित तरीका प्रदान करती है।