Technische Samenvatting: Chreode – Een Celwereldmodel voor Eén-staps Tijddynamiek en Perturbatievoorspelling

Probleemstelling

Het voorspellen hoe de transcriptiestatus van een cel verandert onder invloed van ontwikkelingssignalen of genetische perturbaties, is centraal in in-silico biologie en het AI Virtual Cell-programma. Bestaande aanpakken staan voor vier kritieke beperkingen:

1. Onderschatting van Tijdsdata: De meeste methoden reduceren destructieve scRNA-seq-snapshots tot statische kaarten van controle naar behandeld, waarbij de informatie over veranderingssnelheid die inherent is aan tijdreeksdata, wordt weggegooid.
2. Onjuiste Actiemodellering: Veel modellen behandelen interventies (geneesmiddelen, knockouts) als latente contexten die moeten worden samengevoegd, in plaats van als causale do-calculus-interventies. Hierdoor falen ze bij het oplossen van compositie- of trajectafhankelijke perturbaties.
3. Hoge Inferentiekosten: Meerdere-staps oplosmethoden (ODE's, Schrödinger-bruggen) vereisen iteratieve integratie voor elke query. Schalen naar screen-niveau queries ($10^8$ tuples) resulteert in prohibitieve rekenkosten ($10^{10}$ forward passes).
4. Gebrek aan Biologische Inductieve Bias: Huidige flow-matching- en optimale transport-methoden parametriseren snelheidsvelden als generieke neurale netwerken, en negeren de biologische structuur van Waddingtons landschap (afdalend potentieelstroom, roterende stromen en stochastische spreiding).

Methodologie: Chreode

Chreode wordt geïntroduceerd als een één-staps celwereldmodel dat actie-geconditioneerde celstatus-overgangen $p(z_{t+\Delta} | z_t, \text{do}(a))$ voorspelt via een gestructureerde residu-overgangoperator.

1. Kernarchitectuur: Het Waddington-residu

In plaats van iteratieve uitrol, voorspelt Chreode de toekomstige latente status $\hat{z}_{t+\Delta}$ in één enkele forward pass door een geleerd residu $R_\theta$ toe te voegen aan de input-status $z_t$:
$$\hat{z}_{t+\Delta} = z_t + \alpha(\Delta) \cdot R_\theta(z_t, \Delta, a, \epsilon)$$
waarbij $\alpha(\Delta) = 1 - e^{-\Delta/\tau}$ een leerbare tijdpoort is die nul verandering garandeert bij $\Delta=0$. Het residu $R_\theta$ wordt ontleed in drie biologisch interpreteerbare componenten:

• Afdalend Potentieelstroom ($-\nabla_z U_\theta$): De negatieve gradiënt van een geleerde potentiaalfunctie $U_\theta$, die cellen drijft naar laag-potentieel lotbasins.
• Antisymmetrische Stroom ($S_\theta z_t$): Een roterende component die niet-evenwichtsstromen modelleert (bijv. celcyclus). $S_\theta$ wordt geparametriserd als $P_\theta Q_\theta^\top - Q_\theta P_\theta^\top$ om exacte antisymmetrie te garanderen ($S_\theta^\top = -S_\theta$).
• Stochastische Spreiding ($\sigma_\theta \odot \epsilon$): Elementsgewijze ruisvergroting om intrinsieke biologische variabiliteit vast te leggen.

2. Trainingspijplijn

Chreode maakt gebruik van een tweestaps voortrainingsrecept op een muizenembryonale atlas van 2,4 miljoen cellen (7 datasets, 88 tijdstippen):

• Fase 1 (Encoder): Een gedeelde scVI-encoder wordt getraind over een vaste cross-species ortholoogvocabulary (16.520 muizen-mens 1:1 orthologen) om een bevroren latente representatie te produceren.
• Fase 2 (Dynamica-ruggengraat): Een DiT-gebaseerde (Diffusion Transformer) ruggengraat leert de één-staps overgangoperator. Deze maakt gebruik van een populatie-niveau drijvend-veldverlies aangepast van Deng et al. [2026], dat combineert:
  • Kernel MMD en Sinkhorn $W_2$ voor distributievergelijking.
  • Een drijvend-veldterm ($L_{drift}$) om evenwichtsconsistentie af te dwingen.
  • Een afdalende regularisator ($L_{down}$) om opwaartse beweging te voorkomen.
• Tijdembedding Ontkoppeling: Om stabiliteit te garanderen tijdens extrapolatie over lange horizonnen, gebruikt de potentiaalvertakking een flexibele Time2Vec-embedding, terwijl de antisymmetrische vertakking een gebonden laagfrequente Fourier-code gebruikt om te voorkomen dat rotatiesnelheden afwijken naar onbekende frequenties.

3. Transfermodi

De voorgetrainde ruggengraat ondersteunt twee distincte downstream transfermodi:

1. Finetuning-initialisatie: De ruggengraat initialiseert modellen voor tijdsovergangsvoorspelling op vastgehouden datasets (bijv. Weinreb hematopoëse, Veres isletdifferentiatie).
2. Gen-status Embedding Injectie: De voorgetrainde dynamische representatie wordt geïnjecteerd als de gen-status embedding in de bestaande GEARS-perturbatievoorspeller, zonder de trainingsprocedure van GEARS te wijzigen.

Belangrijkste Resultaten

Voorspelling van Tijddynamiek

• Weinreb Hematopoëse: Gefinetuned Chreode bereikt de laagste Sinkhorn $W_2$-afstand op dag 4 en 6 in vergelijking met overeenkomstige scratch-modellen, PI-SDE en PRESCIENT.
• Veres Isletdifferentiatie: Chreode presteert beter dan alle baselines (inclusief PI-SDE en PRESCIENT) over alle zeven doel-tijdstippen ($t=1$ tot $7$).
• Zero-Shot Klonale Lot: Met de bevroren ruggengraat zonder finetuning produceert Chreode klonale lotscores (Pearson-correlatie $r=0,468$) die concurrerend zijn met sterke dynamische-OT baselines (moscot, WOT) en neurale-SDE baselines (scDiffEq).

Perturbatievoorspelling

• Norman Perturb-seq: Wanneer gebruikt als gen-status embedding binnen GEARS, verlaagt de voorgetrainde dynamische representatie de shared-vocabulary DE20 Gemiddelde Kwantfout (MSE) van 0,2121 naar 0,1858, een relatieve verbetering van 12,4%. Dit suggereert dat ontwikkelings-trajectdynamiek primitieven coderen die overdraagbaar zijn naar CRISPR-geïnduceerde statusverschuivingen.

Efficiëntie

• Inferentiesnelheid: Chreode lost queries op in één enkele forward pass (1 NFE), waardoor het ongeveer 3,0$\times$ sneller is dan PRESCIENT en 6,3$\times$ sneller dan CellFlow op een enkele NVIDIA A100. Deze amortisatie is cruciaal voor schalen naar $10^8$ query-screens.

Betekenis en Claims

Het artikel beweert dat Chreode het eerste cel-foundationmodel is dat combineert:

1. Eén-staps inferentie (amortiseren van overgangskosten).
2. Een voorgetrainde ruggengraat die wordt gedeeld over downstream datasets.
3. Gecombineerde tijd- en actieconditionering.
4. Een gestructureerd residuprior dat snelheid expliciet ontleedt in potentieelgradiënten, antisymmetrische stromen en stochastische spreiding.

De auteurs interpreteren de succesvolle overdracht van ontwikkelingsdynamiek naar perturbatievoorspelling als bewijs dat beide processen celstatus-manifolden doorkruisen langs coherente trajecten. Door distributie-evolutie te verschuiven van inferentietijd naar trainingstijd, maakt Chreode generatie in één doorgang mogelijk terwijl een door Waddington geïnspireerde decompositie behouden blijft. Het werk positioneert zichzelf als een structurele bijdrage aan de "AI Virtual Cell"-agenda, en biedt een schaalbaar, biologisch onderbouwd alternatief voor meerstaps oplosmethoden en statische perturbatiekaarten.

Beperkingen opgemerkt door de auteurs:

• Voortraining is beperkt tot muizenembryonale data; cross-species overdracht berust uitsluitend op ortholoogmapping.
• Tijdsovergangsoverdracht vereist finetuning (niet strikt zero-shot) voor optimale prestaties.
• De perturbatieoverdracht hergebruikt de GEARS-architectuur in plaats van een zelfstandige perturbatieoperator voor te stellen.
• De schaal (2,4 miljoen cellen) is kleiner dan gelijktijdige grote celwereldmodellen die op proprietaire data zijn getraind.