MIOFlow 2.0：単一細胞および空間トランスクリプトミクスデータから細胞の確率的ダイナミクスを推定するための統一フレームワーク

Abstract

時間分解型の単一細胞トランスクリプトミクスによって細胞の軌跡を理解することは、発生、再生、疾患の研究にとって極めて重要です。主要な課題は、離散的なスナップショットから連続的な軌跡を推定することです。生物学的な複雑性は、確率的な細胞運命決定、時間に伴う増殖の変化、そして空間的な環境の影響に起因します。現在の手法は、細胞を孤立したものとして扱う決定論的な補間を用いることが多く、実際の生物学的プロセスを駆動する確率的分岐、集団の変化、ニッチ依存のシグナル伝達を捉えきれていません。 本研究では、Manifold Interpolating Optimal-Transport Flow（MIOFlow）2.0 を提案します。この枠組みは、マンifold学習、最適輸送、ニューラル微分方程式を統合することで、生物学的に情報を得た細胞軌跡を学習します。これは次の3つの中核的プロセスをモデル化します。（1）ニューラル確率微分方程式による確率性と分岐。（2）学習した成長率モデルを、アンバランス最適輸送で初期化することで、非保存的な集団変化を扱う。（3）遺伝子発現と、局所的な細胞タイプ構成やシグナル伝達のような空間特徴を統一する結合潜在空間によって、環境の影響を表現する。 PHATE距離のマッチングオートエンコーダの潜在空間上で動作させることで、MIOFlow 2.0 は軌跡がデータの内在的な幾何構造を尊重することを保証します。実験的な比較により、ニューラル微分方程式による表現力の高い軌跡学習が、シミュレーション不要のフローマッチングを含む既存の生成モデルを上回ることが示されます。合成データセット、エンブリオイドボディの分化、空間的に分解されたアホロートル脳の再生で検証した結果、MIOFlow 2.0 は軌跡の精度を向上させ、特定のシグナル伝達ニッチのような、細胞遷移の背後にある隠れた駆動因子を明らかにします。したがって、MIOFlow 2.0 は単一細胞トランスクリプトミクスと空間トランスクリプトミクスを橋渡しし、組織スケールの軌跡を解明します。