💻 computer science

FlowGRN: Scalable and Dropout-Robust Gene Regulatory Network Inference via Flow Matching-Based Trajectory Reconstruction (Technical Report)

FlowGRN 是一种可扩展且对丢弃（dropout）具有鲁棒性的方法，用于从单细胞 RNA 测序数据中推断基因调控网络，它通过将条件流匹配（conditional flow matching）与用于轨迹重建的得分匹配（score matching）与 dynGENIE3 相结合，在合成和实验基准测试中均实现了最先进的性能。

原作者： Tsz Pan Tong, Jun Pang

发布于 2026-08-11

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Tsz Pan Tong, Jun Pang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你的身体是一座繁忙且高科技的城市。在每一个细胞内部，都有一个巨大的控制中心，成千上万个基因在那里扮演着开关的角色，通过彼此开启或关闭，来决定一个细胞会变成肌肉纤维、皮肤细胞还是神经元。这种错综复杂的连接网络被称为基因调控网络（GRN）。理解这个网络就像是掌握了生命运作的总蓝图；它能帮助科学家弄清楚细胞为何生病，以及如何修复它们。

然而，试图绘制这张网络图，就像是在每隔几小时只能拍到一张模糊照片的情况下，试图绘制一张城市的地图。这些照片（被称为 scRNA-seq 数据）是细胞在某一瞬间被冻结的快照，但它们缺失了细胞实际移动和变化的“电影”。更糟糕的是，这些照片充满了“静电”或“丢失（dropouts）”——即相机未能捕捉到实际上存在的基因，导致数据看起来像是一个破碎的拼图。科学家们一直试图将这些模糊、充满故障的快照连接起来，以观察生命的真实流动，但由于基因的数量之多（数以万计），这使得数学计算变得极其困难。

FlowGRN 应运而生，这是一款旨在破解这一谜题的新型数字侦探工具。这项研究背后的研究人员 Tsz Pan Tong 和 Jun Pang 意识到，要看到隐藏的电影，首先必须在不尝试通过“修补”照片来填补缺失部分的情况下（因为以往填补空白的尝试往往会制造虚假线索）来应对这些故障。相反，他们构建了一个系统，利用一种巧妙的技巧，仅通过数据中清晰、无故障的部分来测量细胞之间的相似性。然后，他们使用一种称为“流匹配（flow matching）”的数学概念，根据这些可靠的连接来重建缺失的延时摄影画面。一旦他们拥有了关于细胞如何变化的平滑、重建后的“电影”，他们终于可以看清究竟是哪些基因在操控着其他基因。

该论文指出，这种新方法是一次重大的升级。在利用计算机模拟数据和真实生物学数据进行的测试中，即使在数据杂乱或缺失大量信息的情况下，FlowGRN 也能比以往的方法更准确地重建这些细胞电影。它成功地理清了关系的指向（谁在控制谁），甚至能分辨出一个基因是在充当“油门”（激活因子）还是“刹车”（抑制因子）。虽然该工具在处理具有数千个基因的大型数据集时表现得非常出色，但作者也指出，当观察到的细胞数量非常少时，它有时会遇到困难，就像侦探需要足够的线索才能破案一样。最终，FlowGRN 提供了一种极具前景且可扩展的方法，将静态、嘈杂的生命快照转化为描述我们细胞如何运作的清晰、动态的故事。

技术摘要：FlowGRN

问题陈述

从单细胞 RNA 测序（scRNA-seq）数据中推断基因调控网络（GRNs）对于理解细胞动态和设计治疗策略至关重要。然而，这项任务面临两个主要挑战：

缺乏时间信息： scRNA-seq 提供的是细胞状态的静态快照，而非连续的时间序列数据。由于采样稀疏，关键的动态变化（如细胞转换）往往无法被观测到，这使得恢复细胞动态并确定调控方向变得困难。
Dropout 噪声与高维性： scRNA-seq 数据存在“dropout”现象，即表达的基因未被检测到（记录为零）。在高维基因空间（数万个基因）中，由于维度灾难，标准的距离度量（如欧几里得距离）会变得不再具有信息量，并且受到 dropout 噪声的严重偏置。现有方法要么过度简化系统动力学，要么依赖于在处理高维数据时计算上难以实现的神经 ODE（Neural ODEs），或者完全丢弃时间信息，导致调控方向无法被识别。

方法论：FlowGRN

FlowGRN 是一个可扩展且对 dropout 具有鲁棒性的框架，它集成了三个核心组件来重建细胞轨迹并推断有向 GRN：

1. 抗 Dropout 的细胞相似度度量

为了解决 dropout 噪声在距离计算中引入的偏置，FlowGRN 提出了一种新型相似度度量（ $d_{raw}$ ）。

机制： 该度量不是使用所有基因，而是在比较的两细胞中共同非零的基因集（ $S_{x,y}$ ）上计算平均 L1 距离。这确保了技术性零值（dropouts）不会夸大距离。
几何感知： 为了捕捉基因表达数据的底层流形几何结构，利用 $d_{raw}$ 作为边权构建了一个 k-最近邻（kNN）图。最终的相似度指标是该图上的最短路径距离，通过 Dijkstra 算法计算得出。这种方法对 dropout 和高维性具有鲁棒性。

2. 通过条件流匹配（CFM）进行轨迹重建

FlowGRN 利用条件流匹配（CFM）和分数匹配（Score Matching）来学习驱动细胞转换的向量场，从而避免了传统 Neural ODE 集成的高昂计算成本和不稳定性。

最优传输（OT）： 模型使用由抗 dropout 相似度度量引导的 OT 平面，在连续的时间快照之间定义目标向量场。
对数域转换： 为了在轨迹积分过程中处理基因表达值的非负约束，数据被转换到对数域。这种转换保留了可微性，并能捕捉不同表达尺度下的动态。
重建： 学习到的向量场被用于求解初值问题（IVP），从而从静态快照中重建每个细胞谱系的连续轨迹。

3. 通过 dynGENIE3 进行 GRN 推断

一旦重建了轨迹，FlowGRN 便采用 dynGENIE3（GENIE3 算法的动态扩展版本）来推断 GRN。

动态建模： 对于每个目标基因，随机森林模型根据重建的轨迹而非静态表达水平来预测其变化率（$dx/dt$）。
边类型分配： 虽然 dynGENIE3 提供调控强度（重要性评分），但 FlowGRN 通过分析学习到的流场（ $v_\theta$ ）的 Jacobian 矩阵在整个轨迹上的符号，来确定调控的方向（激活 vs 抑制）。这使得推断有符号的有向网络成为可能。

核心贡献

新型相似度度量： 一种对 dropout 噪声和维度灾难具有鲁棒性的细胞相似度指标，利用了非零基因交集和 kNN 测地线距离。
可扩展的轨迹重建： 应用 CFM 和分数匹配在高维空间（高达 1,783 个基因）中重建非线性细胞轨迹，克服了传统 Neural ODEs 的局限性。
动力学与推断的集成： 一个将重建轨迹输入 dynGENIE3 的流水线，从而实现可识别（有向）且带有边类型（激活/抑制）的 GRN 推断，而这通常是静态方法所缺失的能力。
最先进的性能表现： 在 BEELINE 基准测试中展示了优于现有方法的性能。

实验结果

作者在包含合成、精选和实验数据集的 BEELINE 基准上评估了 FlowGRN。

合成与精选数据： 在所有测试模型（包括 LEAP, SCODE, GRISLI 和 GENIE3）中，FlowGRN 在平均精度-召回率曲线下面积（AUPRC）和早期精确度比率（EPR）方面均取得了最高的平均排名。在对方向性要求极高的长级联（LL）和循环动力学（CY）数据集中，它显著优于静态模型（如 GENIE3）。
边类型推断： 在需要识别激活与抑制边的任务中，FlowGRN 在 10 个数据集中的 7 个中表现最佳，显著超过了第二好的模型 GRNVBEM。
实验数据： 在 7 个真实世界实验数据集（如 hESC, mHSC）上，FlowGRN 在 14 项任务（基于 AUPRC 和 EPR 指标）中排名第一或第二。它展示了高达 1,783 个基因的可扩展性。
消融实验：
- 轨迹的必要性： 去除轨迹重建步骤（使用静态数据结合 dynGENIE3 或直接进行 Jacobian 推断）会导致性能显著下降，证实了轨迹重建对于捕捉间接调控是不可或缺的。
- Dropout 鲁棒性： 消融抗 dropout 相似度度量会导致性能下降，尤其是在高维设置下，验证了其在减轻噪声方面的作用。

意义与局限性

意义：
论文声称 FlowGRN 解决了 GRN 推断中对时间信息的需求与高维及 dropout 噪声挑战之间的“困境”。通过结合用于动力学建模的 CFM 与鲁棒的相似度度量以及用于推断的 dynGENIE3，FlowGRN 提供了一个精确、可扩展且可识别的解决方案，在准确性和模拟复杂动力学（循环和长级联）的能力方面均优于当前最先进的方法。

局限性：
作者承认了特定的局限性：

数据稀缺性： 在细胞数量非常少的数据集（如 mDC, mESC）上性能有所下降，这是需要充足样本量的深度学习模型的常见问题。
统一框架： 当前方法将动态建模（CFM）与网络推断（dynGENIE3）分离，而非将其统一到一个可解释的框架中。
未来工作： 作者提出了未来的研究方向，包括使用物理信息神经网络（PINNs）利用生物学约束来限制 CFM 模型，并使轨迹与细胞分布偏移更加一致。