Apple Machine Learning Research
·
GENOT：熵（Gromov）瓦瑟斯坦流匹配及其在单细胞基因组学中的应用
💡
原文英文，约200词，阅读约需1分钟。
📝
内容提要
单细胞基因组学推动了细胞行为理解和精准医疗的发展，但现有单细胞测序技术存在局限。最优传输（OT）方法有效，但传统求解器在可扩展性和隐私方面存在问题。基于神经网络的OT求解器灵活性不足。我们的方法通过学习随机映射，放宽质量守恒约束，结合二次求解器，提供了灵活有效的框架，展示了在细胞发展和药物反应建模等领域的应用潜力。
🎯
关键要点
- 单细胞基因组学推动了对细胞行为的理解和精准医疗的发展。
- 现有单细胞测序技术存在局限性，无法同时测量多种数据模式。
- 最优传输（OT）方法是一种有效的解决方案，但传统求解器在可扩展性和隐私方面存在问题。
- 基于神经网络的OT求解器灵活性不足，无法满足更广泛的生命科学应用需求。
- 我们的方法通过学习随机映射，放宽质量守恒约束，结合二次求解器，提供了灵活有效的框架。
- 该方法在细胞发展研究、药物反应建模和跨模态细胞转换等领域展示了应用潜力。
➡️
