🧬 biology

Learning biophysical models of gene regulation with probability flow matching

本文介绍了概率流匹配（PFM），这是一个可扩展的框架，能够从时间分辨的单细胞数据中学习生物物理一致的随机过程，从而准确模拟基因调控动力学、谱系转变和细胞反应，同时克服现有方法在可解释性和泛化能力方面的局限性。

原作者： Suryanarayana Maddu, Victor Chardès, Michael J. Shelley

发布于 2026-04-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Suryanarayana Maddu, Victor Chardès, Michael J. Shelley

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你试图弄清楚一座城市如何从一个宁静的村庄转变为一个繁华的大都市。你拥有一系列在不同时间拍摄的“快照”（照片）：第 1 天、第 4 天、第 7 天，依此类推。在每张照片中，你都能看到数百万人（细胞）分布在不同的街区（状态）中。

最大的谜团是：他们是如何从村庄到达城市的？ 他们是走直线吗？还是走了蜿蜒曲折的路径？是否有人迷路了，而其他人则繁衍增多？

这正是生物学家在研究造血（血液细胞如何生成）时面临的问题。他们拥有处于不同阶段的细胞快照，但并不知道引导干细胞分化为红细胞或白细胞的无形“交通规则”。

以下是本文为解决这一谜团所做工作的简要分解。

1. 旧方法：猜测地图

此前，科学家尝试利用计算机模型将这些快照连接起来。

问题所在： 许多此类模型就像在地图上的两个点之间画一条直线。它们可以完美地连接这些点（插值），但它们并不理解路径为何弯曲，也不理解人们是如何移动的。
局限性： 如果你试图预测改变初始条件（例如增加一条新路或封锁一座桥）会发生什么，这些简单的模型往往会失效。它们擅长描述过去，却不擅长预测未来或理解移动的“力学”机制。

2. 新工具：概率流匹配（PFM）

作者引入了一种名为概率流匹配（PFM）的新方法。你可以将其想象为一个超级智能的 GPS，它不仅仅在照片之间画线，而是学习支配移动的物理定律。

类比： 想象你在观察河流的流动。
- 旧模型只是画一条线，连接昨天水所在的位置和今天水所在的位置。
- PFM则学习水流、风向以及河床的形状。它理解水之所以以特定方式流动，是因为重力和摩擦力的作用。
“随机”转折： 在生物学中，事物是混乱的。两个完全相同的细胞可能会做出不同的选择。PFM 考虑了这种“噪声”或随机性。它将细胞移动视为一群在公园中漫步的人，既受自身选择的影响，也受路径上随机碰撞的影响，而不是像铁轨上行驶的刚性列车。

3. 秘密武器：切比雪夫插值

为了让这个 GPS 发挥作用，作者必须弄清楚如何平滑快照之间的间隙。

问题所在： 如果你用直线连接照片，移动看起来会显得生硬且不自然。如果你使用标准曲线（如三次样条），在复杂的高维空间（例如拥有成千上万条街道的城市）中，它们可能会变得不稳定。
解决方案： 他们使用了一种名为切比雪夫插值的数学技巧。
- 类比： 想象试图在钉板上的一组散钉之间画出一条平滑完美的曲线。标准方法可能会使线条在钉子之间过度扭曲。切比雪夫方法就像使用一把灵活的高科技尺子，即使钉子（数据点）很少但形状非常复杂，它也能找到最平滑、最稳定的曲线。这使得模型更加准确和稳定。

4. 模型测试：血细胞实验

该团队在造血（血细胞生成）上测试了这个新 GPS。他们观察干细胞如何决定分化为红细胞（携带氧气）或巨核细胞（制造血小板）。

他们将这种新的“基于物理”的模型与旧的“统计”模型进行了比较。

结果： 两种模型都能画出完美拟合数据的线（它们都正确到达了“目的地”）。
差异： 当团队问“如果我们敲除特定基因会发生什么？”（基因就像交通信号灯）时，旧模型出错了。它们预测敲除一个基因会同时停止两种血细胞的生成。
获胜者： 新的 PFM 模型正确预测，敲除特定基因只会停止红细胞的生成，而让其他细胞不受影响。这与现实世界的生物学情况相符。

为什么？ 因为新模型学习的是机制（实际的交通规则），而不仅仅是路径。它理解了系统中的“噪声”（随机性）实际上是规则手册的一部分，而不是可以忽略的错误。

5. 清点人群：生长与死亡

细胞不仅会移动；它们还会诞生和死亡。

挑战： 大多数模型假设城市里的人数保持不变。但在生长的胚胎或愈合的伤口中，人口会激增或萎缩。
修正： PFM 现在可以在追踪移动的同时追踪人口规模。它不仅能告诉你细胞去向何方，还能告诉你沿途有多少细胞被创造或死亡。

总结

本文提出了一种理解细胞变化的新方法。它不再仅仅是连接快照之间的点，而是构建了一个基于物理机制的模型，该模型考虑了随机性、生长和死亡。

这就像从静态地图升级为实时物理引擎模拟。
它在预测改变初始条件（如基因突变）时会发生什么方面表现更好。
它具有可扩展性，意味着它可以处理海量数据而不会陷入困境。

作者表明，通过尊重生物学的“物理”（包括随机性的混乱），我们终于能够构建出不仅能描述发生了什么，还能解释为什么发生并预测接下来会发生什么的模型。

以下是论文《利用概率流匹配学习基因调控的生物物理模型》的详细技术总结。

1. 问题陈述

细胞分化由高维、随机的基因调控网络（GRNs）所支配。虽然单细胞 RNA 测序（scRNA-seq）提供了转录组的定量快照，但从这些横截面数据中推断潜在的机制动力学仍然是一个重大挑战。

当前的计算方法在可扩展性与生物物理解释性之间面临权衡：

描述性/统计模型：如 TrajectoryNet 或标准最优传输（OT）等方法将数据投影到低维潜在空间。虽然具有可扩展性，但它们缺乏机制解释性，难以执行in silico（计算机模拟）基因扰动，且往往无法泛化到未见过的条件（分布外数据）。
机制模型：基于微分方程（ODEs）或随机微分方程（SDEs）的方法提供了可解释性，但由于求解 ODEs 和计算 Wasserstein 距离的计算成本，它们难以处理高维数据。
差距：现有方法往往忽略内在的分子随机性或假设基因动力学是解耦的，导致模型虽然在数据插值方面表现良好，却无法捕捉谱系特化和命运决定的真实生物机制。

2. 方法论：概率流匹配（PFM）

作者引入了概率流匹配（PFM），这是一个可扩展的、无需模拟的框架，用于直接从多边际单细胞数据中学习生物物理一致的随机过程。

核心框架

PFM 建立在流匹配（FM）和基于分数的生成建模之上。PFM 不通过求解昂贵的 ODEs 或迭代计算最优传输耦合，而是学习一个速度场 $u_\theta(x, t)$ ，将简单的基分布传输到在离散时间点观察到的复杂目标分布。

关键数学公式：
动力学通过福克 - 普朗克（FP）方程建模：
$\frac{\partial p_t(x)}{\partial t} = -\nabla \cdot (u_t(x) p_t(x)) + g_t(x) p_t(x)$
其中：

$u_t(x) = f(x) - \nabla \cdot D(x) - D(x)\nabla \log p_t(x)$ 是概率流速度。
$f(x)$ 编码基因调控相互作用（漂移）。
$D(x)$ 是捕捉内在/外在噪声的扩散矩阵。
$g_t(x)$ 模拟细胞增殖和死亡（生长动力学）。

关键技术革新

基因空间中的直接推断：与将数据投影到潜在空间的方法不同，PFM 直接在基因的高维空间（具体为降维后的转录因子空间）中运行，保留了机制结构。
用于条件路径的切比雪夫插值：为了处理多个时间点（多边际数据），PFM 在快照之间构建平滑的条件路径 $p_t(x|z)$ 。作者用谱正则化切比雪夫插值替代了标准的线性或三次样条插值。这确保了全局平滑的时间导数，并在高维、小样本情况下实现了卓越的收敛性。
非平衡流匹配：该框架扩展到非平衡设置以考虑细胞增殖和死亡。它引入了一个沿概率路径演化的辅助质量密度 $m_t$ ，允许同时推断调控动力学（ $f$ ）和生长率（ $g$ ）。
生物物理参数化：该框架支持各种生物物理模型，包括化学朗之万方程（CLE），该方程将内在噪声显式建模为反应速率（产生 $h(x)$ 和降解 $\ell x$ ）的函数。

3. 主要贡献

可扩展的机制学习：PFM 使得直接从高维 scRNA-seq 数据推断随机微分方程成为可能，无需重复 ODE 模拟带来的计算瓶颈。
通过切比雪夫多项式实现卓越插值：论文证明，切比雪夫插值在重构漂移场和概率流方面显著优于线性和三次样条方法，特别是在高维情况下。
生长动力学的整合：该框架独特地允许从非平衡数据中联合推断基因调控动力学和群体水平的出生/死亡率。
生物物理一致性的验证：作者证明，虽然确定性模型（ODEs）可能实现较低的插值误差，但只有生物物理一致的随机模型（如 CLE）才能准确恢复潜在的调控逻辑并泛化到未见过的条件。

4. 结果

作者在合成数据和三个真实的造血数据集上验证了 PFM。

A. 合成基准测试

插值精度：在高维（高达 50 维）多稳态系统中，采用切比雪夫插值的 PFM 在重构漂移场方面，与线性或三次样条基线相比，实现了显著更低的均方根误差（RMSE）。
效率：与基于模拟的方法（如概率流推断 PFI）相比，PFM 将计算和内存需求降低了一个数量级。

B. 造血分化（体外与体内）

基因调控网络（GRN）推断：当应用于 24 个基因的转录因子（TF）空间时，PFM 成功推断出了调控相互作用。
- 随机性与确定性：确定性模型（TrajectoryNet, ODE）虽然很好地插值了数据，但未能恢复正确的符号调控相互作用（激活与抑制）。只有生物物理一致的**化学朗之万方程（CLE）**模型准确恢复了与 ChIP-seq 数据一致的因果结构。
对未见条件的泛化：
- 在干细胞/祖细胞上训练的模型被测试于未见过的初始条件（例如，不同的分化轨迹）。
- 结果：随机模型（CLE）与实验终态保持了高相关性，而确定性模型未能恢复正确的吸引子。
In Silico 扰动（敲除）：
- 作者模拟了关键转录因子的敲除（红系为 KLF1，巨核系为 FLI1）。
- 结果：CLE 正确预测了谱系特异性效应（例如，KLF1 敲除破坏红系但不影响巨核系）。确定性模型错误地预测了两个谱系的丧失，未能捕捉随机景观的鲁棒性。

C. 生长动力学推断

应用于具有显著增殖/死亡的数据集，PFM 成功推断出了细胞状态特异性的生长率（ $g(x)$ ）。
来自随机 CLE 模型推断的命运概率是概率性的，与克隆谱系追踪数据的一致性优于 TIGON++ 的确定性分配。

5. 意义与结论

这项工作确立了概率流匹配作为第一性原理生物物理建模与数据驱动的单细胞组学之间的强大桥梁。

机制洞察：它超越了描述性的“伪时间”排序，提供了关于噪声和调控如何驱动细胞命运决定的定量、机制性理解。
预测能力：通过捕捉内在随机性，PFM 模型能够稳健地泛化到未见过的实验条件和扰动，这是治疗应用和in silico药物筛选的关键要求。
可扩展性：PFM 无需模拟的特性使其能够将机制模型应用于基因组规模或大规模多组学数据集，克服了以往的计算障碍。

总之，该论文论证了生物物理一致性不仅仅是理论上的偏好，更是构建能够准确预测新条件和扰动下细胞行为的模型的实践必需品。PFM 为实现这一目标提供了可扩展的基础设施。