論文の概要: MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data

• arxiv url: http://arxiv.org/abs/2603.22564v1
• Date: Mon, 23 Mar 2026 20:49:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.185962
• Title: MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data
• Title（参考訳）: MIOFlow 2.0:単一細胞および空間転写学データから細胞確率力学を推定するための統一フレームワーク
• Authors: Xingzhi Sun, João Felipe Rocha, Brett Phelan, Dhananjay Bhaskar, Guillaume Huguet, Yanlei Zhang, D. S. Magruder, Alexander Tong, Ke Xu, Oluwadamilola Fasina, Mark Gerstein, Guy Wolf, Natalia Ivanova, Christine L. Chaffer, Smita Krishnaswamy,
• Abstract要約: We introduced Interpolating Manifold-Transport Flow (MIOFlow) 2.0。 この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。 合成データセット、胚体分化、空間的に解決されたアクソロトル脳再生で検証される。
• 参考スコア（独自算出の注目度）: 47.97758608694957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding cellular trajectories via time-resolved single-cell transcriptomics is vital for studying development, regeneration, and disease. A key challenge is inferring continuous trajectories from discrete snapshots. Biological complexity stems from stochastic cell fate decisions, temporal proliferation changes, and spatial environmental influences. Current methods often use deterministic interpolations treating cells in isolation, failing to capture the probabilistic branching, population shifts, and niche-dependent signaling driving real biological processes. We introduce Manifold Interpolating Optimal-Transport Flow (MIOFlow) 2.0. This framework learns biologically informed cellular trajectories by integrating manifold learning, optimal transport, and neural differential equations. It models three core processes: (1) stochasticity and branching via Neural Stochastic Differential Equations; (2) non-conservative population changes using a learned growth-rate model initialized with unbalanced optimal transport; and (3) environmental influence through a joint latent space unifying gene expression with spatial features like local cell type composition and signaling. By operating in a PHATE-distance matching autoencoder latent space, MIOFlow 2.0 ensures trajectories respect the data's intrinsic geometry. Empirical comparisons show expressive trajectory learning via neural differential equations outperforms existing generative models, including simulation-free flow matching. Validated on synthetic datasets, embryoid body differentiation, and spatially resolved axolotl brain regeneration, MIOFlow 2.0 improves trajectory accuracy and reveals hidden drivers of cellular transitions, like specific signaling niches. MIOFlow 2.0 thus bridges single-cell and spatial transcriptomics to uncover tissue-scale trajectories.
• Abstract（参考訳）: タイムリゾルド単一細胞転写学による細胞軌道の理解は、発達、再生、疾患の研究に不可欠である。 重要な課題は、離散スナップショットから連続的なトラジェクトリを推測することである。 生物学的複雑さは、確率的な細胞運命の決定、時間的増殖の変化、空間環境の影響に起因している。 現在の方法では、細胞を分離して処理する決定論的補間を用いることが多く、確率的分岐、集団シフト、ニッチに依存して実際の生物学的過程を駆動するシグナルを捉えない。 マニフォールド補間最適輸送フロー (MIOFlow) 2.0 について述べる。 この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。 本研究は,(1)確率性と分岐のニューラルネットワークによる微分方程式,(2)未均衡の最適輸送を初期化した学習的成長率モデルを用いた非保存的人口変化,(3)局所的な細胞型組成やシグナルのような空間的特徴を持つ遺伝子発現を統一する結合潜在空間による環境影響の3つの過程をモデル化する。 MIOFlow 2.0 は PHATE-Distance matching autoencoder latent space で動作することにより、データ固有の幾何学を尊重するトラジェクトリを保証する。 経験的比較では、ニューラル微分方程式による表現的軌跡学習は、シミュレーションのないフローマッチングを含む既存の生成モデルより優れている。 MIOFlow 2.0は、合成データセット、胚体分化、空間的に解決された軸索脳再生に基づいて検証され、軌道の精度を改善し、特定のシグナル伝達ニッチのような細胞内遷移の隠れドライバを明らかにする。 これにより、MIOFlow 2.0は単細胞および空間転写学をブリッジし、組織スケールの軌道を明らかにする。

関連論文リスト

• Tau-BNO: Brain Neural Operator for Tau Transport Model [16.92108740721371]
  既存のアプローチは通常、脳の構造的コネクトームの拡散過程としてタウ伝播をモデル化する。 このギャップを埋めるためにネットワークトランスポートモデル(NTM)が導入された。 我々は,NTM力学を高速に近似する脳神経オペレータ・サロゲートフレームワークであるTau-BNOを提案する。
  論文  参考訳（メタデータ） (2026-03-09T08:52:02Z)
• Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow [80.00833033784079]
  細胞微小環境の理解は、組織の発生と疾患データの解読に不可欠である。 NicheFlowはフローベースの生成モデルであり、空間スライドを横断する細胞マイクロ環境の時間軌道を推定する。
  論文  参考訳（メタデータ） (2025-11-02T15:41:38Z)
• Learning noisy tissue dynamics across time scales [0.0]
  本稿では,実験映画から直接ノイズの多いマルチセルダイナミックスを推定できるバイオミメティック機械学習フレームワークを提案する。 この生成モデルは、グラフニューラルネットワークとフローの正規化とWaveNetアルゴリズムを組み合わせて、組織を神経微分方程式として表現する。 我々のモデルは細胞の動きを捉えるだけでなく、分裂サイクルにおける細胞状態の進化を予測することも示している。
  論文  参考訳（メタデータ） (2025-10-21T21:33:54Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Modeling Cell Dynamics and Interactions with Unbalanced Mean Field Schrödinger Bridge [18.459855419368726]
  我々はスナップショットデータから不均衡な相互作用のダイナミクスをモデル化するフレームワークを開発する。 次に,UMFSB問題を近似したディープラーニングアルゴリズムCytoBridgeを提案する。 本手法の有効性は、合成遺伝子制御データと実際のcRNA-seqデータセットの両方を用いて広く検証されている。
  論文  参考訳（メタデータ） (2025-05-16T12:55:13Z)
• CellFlux: Simulating Cellular Morphology Changes via Flow Matching [44.8979602893102]
  本稿では,化学および遺伝的摂動による細胞形態変化をシミュレートする画像生成モデルであるCellFluxを紹介する。 CellFluxは生物学的に意味のある細胞画像を生成し、摂動特異的な形態変化を忠実に捉える。 これらの能力は、生体医学研究のための仮想細胞モデリングの実現に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2025-02-13T21:10:00Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。