Probability Flow Matchingで確率的な遺伝子制御の生物物理モデルを学習する

概要: 細胞分化は、遺伝子調節ネットワークによって制御される。これは、高次元の確率的生化学システムであり、転写の地形（transcriptional landscape）を決定し、信号や撹乱に対する細胞の応答を媒介する。単一細胞RNAシーケンスはトランスクリプトームの定量的なスナップショットを提供するものの、遺伝子調節ダイナミクスを推定するための現行手法は、しばしば機構的な解釈可能性を欠き、見たことのない条件へと一般化できない。ここでは、時間分解された単一細胞測定から直接、生物物理学的に整合した確率過程を学習するための、スケーラブルな枠組み Probability Flow Matching（PFM）を提案する。3つの造血（hematopoiesis）データセットにPFMを適用した結果、補間精度が同程度のモデルであっても、細胞系譜の遷移、運命指定、遺伝子撹乱応答のメカニズムを正確に捉えられるのは、生物物理学的に整合した定式化を用いた場合のみであり、本質的に異なるダイナミクスを符号化し得ることを示す。さらにPFMは、集団の偏り（unbalanced populations）にも対応でき、細胞の増殖と死のダイナミクスを同時に推定できることを実証する。これらの結果により、PFMが、機構に基づくモデリングと単一細胞オミクスを統合するための柔軟でスケーラブルな枠組みとして確立されたことを示す。