파괴적인 시계열 스냅샷(destructive time-course snapshots)으로부터의 단일 세포 궤적 추론(Single-cell trajectory inference)은 근본적으로 부적정 문제(ill-posed)입니다. 시간 간의 세포 대응 관계(cross-time cell correspondences)와 연속적인 궤적(continuous trajectories)이 모두 관찰되지 않기 때문에, 스냅샷 분포만으로는 기저의 역학(underlying dynamics)을 유일하게 결정할 수 없습니다. 기존의 최적 수송(optimal transport) 및 흐름 기반(flow-based) 방법들은 일반적으로 관찰된 시점에서의 유클리드 근접성(Euclidean proximity)을 통해 세포들을 결합하는데, 이는 발달이 비동기적(asynchronous)이거나 동일한 실험 시간에 샘플링된 세포들이 서로 다른 잠재적 의사시간(latent pseudotime) 단계에 있을 경우 궤적을 잘못 정렬할 수 있습니다.
우리는 세 가지 결합된 구성 요소를 통해 파괴적인 시계열 스냅샷으로부터 기하학적으로 일관된 연속 수송 역학(geometry-consistent continuous transport dynamics)을 복구하는 궤적 추론 프레임워크인 PACE를 제안합니다. 첫째, PACE는 상태 및 시간에 의존하는 비등방성 리만 메트릭(anisotropic Riemannian metric)을 구축하여, 법선 속도 성분(normal velocity components)에는 페널티를 부여하는 동시에 국부적으로 지원되는 접선 방향(tangent directions)을 따라 낮은 수송 비용을 할당합니다. 둘째, 유도된 경로-작용 비용(path-action cost) 하에서 시간 간 결합(cross-time couplings)을 정교화하는 과정과 인접한 스냅샷 사이의 종단점 보존 신경망 브리지(endpoint-preserving neural bridges)를 피팅하는 과정을 교대로 수행합니다. 셋째, 학습된 브리지 역학을 세포 상태에 대한 전역적 연속 시간 속도장(global continuous-time velocity field)으로 증류(distill)합니다.
9개의 홀드아웃 재구성 실험을 포함하는 7개의 통제 및 생물학적 데이터셋 전반에 걸쳐, PACE는 가장 강력한 경쟁 베이스라인 대비 MMD, Wasserstein-1 거리 및 Wasserstein-2 거리를 평균 23.7% 감소시키며 가장 강력한 전반적 재구성 성능을 달성했습니다. 또한 PACE는 배아체 분화(embryoid body differentiation) 벤치마크에서 명시적인 세포 쌍 지정(cell pairing), 계보 추적(lineage tracing) 또는 학습 중 RNA-velocity 감독(supervision) 없이도 RNA-velocity 정렬을 15.4% 향상시켰습니다. 코드는 https://github.com/AI4Science-WestlakeU/PACE 에서 확인할 수 있습니다.