🧬 biology

PACE: Geometry-Aware Bridge Transport for Single-Cell Trajectory Inference

PACE 是一个几何感知框架，它通过学习各向异性黎曼度量，并在优化跨时间耦合与拟合神经桥梁之间交替迭代，从破坏性的时间序列快照中重构连续的单细胞轨迹，从而在不依赖显式细胞配对或谱系追踪的情况下实现更优的重构精度和 RNA 速度对齐。

原作者： Chenglei Yu*, Chuanrui Wang*, Bangyan Liao, Tailin Wu

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Chenglei Yu*, Chuanrui Wang*, Bangyan Liao, Tailin Wu

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，你试图拼凑出一部电影的故事，但手中只有几帧零散、随机的画面。你不知道不同画面中哪位演员是谁，没有剧本，更不用说画面之间的场景了。这正是科学家在研究单细胞生物学时所面临的问题。

他们会在不同时间点拍摄数百万个细胞的“快照”。由于观察细胞的过程会破坏它们，因此他们永远无法从一刻到下一刻追踪同一个细胞。他们只能看到时间 A 的一团细胞云，时间 B 的另一团，以及时间 C 的又一团。核心问题是：我们如何将这些点连接起来，以看清细胞从一种状态转变为另一种状态的连续旅程？

大多数现有方法试图通过在快照中外观最相似的细胞之间画直线来解决这个问题。但本文的作者PACE认为，这就像试图通过在地图上两点之间画直线来导航蜿蜒的山路。这种做法忽略了道路是弯曲的，而且有时地图上“最近”的点实际上位于完全不同的另一座山上。

以下是 PACE 如何利用简单类比来解决这一问题的：

1. 问题：“直线”陷阱

想象一群徒步者（细胞）在森林（生物状态空间）中穿行。

旧方法： 如果你在下午 1 点拍了一张徒步者的照片，又在下午 2 点拍了另一张，旧方法会假设第二张照片中离你最近的徒步者就是你在第一张照片中看到的那位。他们在他们之间画一条直线。
缺陷： 在森林中，路径并非直线。有些徒步者可能被困在林间空地（“停滞”状态），而另一些则正冲上山坡。一条直线可能会将山脚下的徒步者与山顶的徒步者连接起来，却跳过了他们实际走过的蜿蜒路径。这会导致一个混乱、断裂的故事。

2. 解决方案：PACE（“地形感知”导航器）

PACE 引入了一种思考细胞间移动“成本”的新方式。它不仅仅测量距离，而是根据局部地形测量路径的合理性。

步骤 A：解读“足迹”（几何结构）

PACE 观察快照中细胞的局部邻域。它问道：“如果我站在这里，其他细胞似乎正朝哪些方向移动？”

切线方向（道路）： 这些是细胞自然流动的方向。PACE 表示：“朝这个方向移动既便宜又容易。”
法线方向（悬崖）： 这些是切断自然流动或跳出“道路”的方向。PACE 表示：“朝这个方向移动既昂贵又不可能。”

这就像一位带着知道小径在哪里的地图的徒步者。沿着小径行走消耗 1 点能量。试图直接爬上悬崖则消耗 100 点能量。PACE 构建了一张“成本地图”，对偏离小径的行为进行惩罚。

步骤 B：“桥梁”（连接点）

PACE 在快照之间构建一座“桥梁”。但它不仅仅建造一座直桥。它建造一座弯曲的桥，遵循它刚刚绘制的地形。

它尝试将时间 A 的细胞与时间 B 的细胞连接起来。
如果一条直线意味着要跳下悬崖（生物学上不可能发生的跳跃），PACE 会意识到这是一个糟糕的连接。
随后，它会尝试另一对细胞，允许一条保持在小径上的平滑、弯曲的路径。

步骤 C：“优化循环”（变得更聪明）

PACE 不会第一次就完全正确。它运行一个巧妙的循环：

猜测： “让我们连接这些细胞。”
构建： “好的，让我们在他们之间建一座桥。等等，这座桥必须爬上悬崖。这太难了。”
重猜： “好的，让我们尝试连接这些不同的细胞。这座桥保持在平坦的小径上。”
重复： 它不断交换连接并重塑桥梁，直到找到最平滑、最合乎逻辑的移动流。

3. 结果：一部连续的电影

一旦 PACE 确定了最佳连接和最佳弯曲路径，它会将所有这些信息提炼成一个单一的速度场。

想象一下将所有这些独立的桥梁平滑地融合成一条流动的河流。
现在，如果你在任何时间将任意一个“细胞”（一滴水）放入这条河流中，你都可以准确预测它下一步会流向哪里，即使你从未见过那个特定的细胞。

为什么这很重要（根据论文）

作者在七个不同的数据集上测试了 PACE，包括：

合成数据： 人为制造的“洋流”和“分叉树”，其中他们已知答案。
真实生物学： 小鼠重编程、人类干细胞和胚胎发育。

主张：
PACE 的表现始终优于所有其他方法。平均而言，它将误差降低了约23.7%。

它在重建电影的“缺失”帧方面表现更好。
它与已知的生物学方向（如 RNA 速度，它充当细胞的“风向”指示器）更吻合。
至关重要的是，它无需知道哪个细胞是哪个，无需追踪家谱树，也无需额外的实验来标记细胞。它纯粹通过理解数据的“形状”来推断出结果。

总结

PACE 就像细胞生物学中的智能 GPS。而其他方法在最近的点之间画直线（忽略地形），PACE 则读取局部景观，构建遵循生命自然流动的弯曲桥梁，并不断优化其地图，直到找到细胞从一个状态移动到另一个状态最合乎逻辑、最平滑的路径。

技术摘要：PACE——面向单细胞轨迹推断的几何感知桥接输运

1. 问题表述

单细胞轨迹推断旨在从破坏性的时间序列快照中重建连续的细胞状态演化。该领域的一个根本挑战在于该问题是病态的：既未观测到跨时间的细胞对应关系，也未观测到快照之间的连续路径。因此，仅凭观测到的快照分布无法唯一确定潜在的动态过程。

现有的最优输运（OT）和基于流的方法通常基于观测时钟时间下的欧几里得邻近性来估计耦合。这种方法假设在相同实验时间采样的细胞处于相似的发育阶段。然而，在异步生物过程（如重编程或分化）中，处于相同时钟时间的细胞可能位于不同的潜在伪时间阶段或截然不同的命运分支上。仅依赖欧几里得距离可能导致轨迹错位，将来自不兼容发育程序的细胞进行耦合（例如，将凋亡细胞与快速扩增的干细胞相连），或无法捕捉沿细胞状态流形发生的弯曲、各向异性运动。

2. 方法论：PACE 框架

作者提出了PACE（几何感知桥接输运），这是一个从未配对快照中选择几何一致连续输运动态的框架。其核心直觉是：虽然真实的细胞身份未被观测，但局部时空邻域为可接受的运动方向提供了弱先验：沿局部支持的切向方向运动比垂直于观测流形结构的运动更为合理。

PACE 通过三个耦合组件运行：

A. 时间与状态依赖的各向异性黎曼度量

PACE 用由度量张量 $G_k(x, t)$ 诱导的黎曼路径作用量取代了固定的欧几里得成本。

局部几何估计：对于每个观测细胞，PACE 利用同一快照内的最近邻协方差分析来估计局部切空间和法空间。
度量构建：度量定义为 $G_k(x, t) = I + \alpha C^{(k)}_N(x, t)$ ，其中 $C^{(k)}_N$ 是局部法向投影器的时空插值场。
成本函数：路径 $\gamma$ 的成本是速度平方经度量加权后的积分：
$A_{G_k}[\gamma] = \int_0^1 \dot{\gamma}(\tau)^\top G_k(\gamma(\tau), t_{k,\tau}) \dot{\gamma}(\tau) d\tau$
该公式对局部估计的法向速度分量施加惩罚（高成本），同时保留沿切向运动的低成本。

B. 交替桥接与耦合优化

为求解由此产生的无限维输运问题，PACE 采用有限维交替优化过程：

桥接学习（固定耦合）：给定跨时间耦合 $\pi_k$ ，PACE 训练一个端点保持的神经桥接 $\gamma_\theta(x, y, \tau)$ 。该桥接被参数化为一条直线加上一个由 $\tau(1-\tau)$ 缩放的神经修正项，确保 $\gamma_\theta(x, y, 0)=x$ 且 $\gamma_\theta(x, y, 1)=y$ 。网络被训练以最小化由度量 $G_k$ 定义的各向异性路径作用量损失。
耦合细化（固定桥接）：利用学习到的桥接，PACE 计算所有候选端点对之间的路径作用量成本。随后，它求解一个最优输运问题以更新耦合 $\pi_k$ ，最小化总路径作用量而非欧几里得距离。
这创造了一种自举机制：更好的耦合为桥接提供更好的端点监督，而更好的桥接为细化耦合提供几何感知的成本。

C. 速度场蒸馏

端点条件的桥接是特定于成对的。为了实现全局轨迹推断，PACE 将学习到的桥接动态蒸馏为一个全局连续时间速度场 $v_\phi(x, t)$ 。该场被训练以匹配任意状态和时间下神经桥接的速度，从而允许通过从任意初始分布进行 ODE 积分来生成连续轨迹。

3. 主要贡献

几何感知度量：引入了一种基于局部时空切空间投影的、时间与状态依赖的黎曼度量。这提供了一种路径作用量成本，能够选择超越简单欧几里得端点邻近性的耦合。
迭代桥接 - 输运过程：开发了一种交替优化方案，在相同的几何感知作用量下联合细化跨时间对应关系和插值路径，避免了对固定端点对的依赖。
全局速度蒸馏：一种将端点条件的神经桥接蒸馏为全局速度场的方法，用于在不进行显式细胞配对或谱系追踪的情况下生成连续轨迹。

4. 实验结果

PACE 在七个数据集（受控合成和生物数据）上进行了评估，涵盖了九个保留重建实验。

受控 2D 基准测试：在“海洋”（旋转非梯度）和“双分支”基准测试中，PACE 实现了最强的整体重建性能。它在没有速度监督的情况下成功恢复了平滑的旋转运动和分支结构。
生物基准测试：
- EB PHATE：PACE 提高了保留边缘重建（MMD, W1, W2）的表现，并且尽管在训练期间未使用 RNA 速度，但与基线相比，RNA 速度对齐度提高了 15.4%。
- iPSC-Liu 和 Schiebinger2019：在分化和重编程任务中，PACE 始终优于基线方法（Action Matching, Aligned CFM, CURLY, DMSB, MFM, OT-CFM）。
定量增益：在所有数据集中，相对于最强的竞争基线，PACE 将 MMD、W1 和 W2 平均降低了23.7%。
高维性能：在高维设置（10D, 50D, 100D PCA）中，欧几里得距离受浓度效应影响，PACE 通过利用局部各向异性而非全局分离保持了稳健的性能。
消融研究：移除耦合重匹配、各向异性度量惩罚（ $\alpha=0$ ）或时空核平滑等组件会导致性能下降，证实了增益源于这些元素的结合。

5. 意义与主张

该论文主张，局部几何可作为从破坏性快照重建轨迹的有用归纳偏置。通过将欧几里得成本替换为几何感知的路径作用量，PACE 解决了轨迹推断的根本模糊性，而无需：

显式的细胞配对或谱系追踪。
训练期间的 RNA 速度监督。
同步发育的假设。

作者强调，PACE 提供的是合理且几何一致的重建，而非真实的细胞历史，因为潜在问题本质上仍是病态的。该方法表明，从局部时空邻域推断可接受的方向足以显著提高单细胞生物学中群体水平动态推断的准确性。