单细胞基因组学技术利用最优传输理论实现多模态细胞分析，克服实验限制。moscot框架支持多模态应用，有效重建小鼠胚胎发育轨迹并识别心脏形成的驱动基因，同时可用于空间转录组数据的丰富和小鼠胰腺发育谱系分析。该工具为开源Python包，易于使用。

自我监督学习（SSL）通过分析输入与样本之间的关系，从未标记数据中提取有意义的表示，尤其在单细胞基因组学（SCG）中展现出潜力。德国研究团队探讨了SSL在SCG中的有效应用，发现掩蔽自动编码器优于对比学习，并且SSL在小数据集和未见数据集上表现更佳。这项研究为SCG中的SSL提供了实证基础，并强调了预训练数据集的重要性。

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。