综述：细胞动力学的生成模型：从神经常微分方程到流动匹配

《Communications Biology》：Generative models of cell dynamics: from Neural ODEs to flow matching

单细胞动态建模中神经常微分方程的应用及挑战，通过Flow Matching方法解决噪声稀疏性问题，结合生成模型优化细胞状态转移模拟，探讨数学特性与群体动力学分析。

　　

摘要

神经常微分方程（Neural ODEs）已成为建模复杂动态系统的一个重要框架。它们能够描述系统的潜在动态规律，因此在生命科学领域的应用受到了广泛关注。单细胞数据由于噪声、数据稀疏性以及无法明确追踪单个细胞随时间的变化而带来挑战。然而，先驱性研究已经证明，基于神经常微分方程的模型可以克服这些困难，有助于对细胞发育进行机制建模，并通过“流动匹配”（Flow Matching）方法来近似描述群体动态。本文探讨了为什么神经常微分方程适用于建模单细胞数据中的动态过程以及更广泛的计算健康领域，从标准的时间序列参数化方法到基于最优传输的生成模型。首先，我们研究了神经常微分方程的数学特性及其在细胞动态建模中的应用；接着，我们深入探讨了生成建模的最新创新如何通过无需模拟的“流动匹配”方法实现高效且富有表现力的细胞状态转换建模；最后，我们指出了在单细胞生物学研究中仍然存在的挑战。这项工作表明，作为机器学习框架的神经常微分方程非常适合用于建模细胞数据中的动态过程，并有望推动我们对细胞系统动态机制的理解。