核心发现
方法论
FLeCS结合基因调控网络结构，将其嵌入到耦合非线性微分方程中，利用消息传递算法高效计算调控关系。模型通过伪时间序列数据，采用伴随方法（adjoint method）训练参数，实现大规模基因网络的动态推断。训练流程包括伪时间分组、最优传输匹配单细胞、微分方程数值积分与梯度反向传播。模型可根据基因网络调整，模拟基因敲除等Perturbation，提供细胞状态演变的动态轨迹。
关键结果
- 在髓系分化数据集上，FLeCS准确还原细胞转录动力学，超越OT-CFM和scTour，在测试集Velocity Confidence指标中提升20%以上。参数稀疏性分析显示，调控关系大多趋于零，符合生物学预期。
- 在基因敲除实验中，模型成功识别受影响的调控关系，验证了其在Perturb-seq数据中的应用潜力。通过贝叶斯集成，估算调控强度后验分布，揭示了Cebpa和Cebpe敲除下的调控机制变化。
- 功能富集分析显示，模型识别的关键基因子集与已知生物过程高度一致，优于传统差异表达分析，验证了其在功能注释中的优势。
研究意义
该研究突破了单细胞动态建模的计算瓶颈，首次在大规模基因网络基础上，结合微分方程实现高效、可解释的细胞转录动力学推断。对理解细胞命运决定、Perturbation机制具有重要意义，为精准干预和疾病模型提供理论基础。
技术贡献
引入基因网络结构的耦合微分方程模型，利用消息传递实现大规模参数学习，突破传统低维嵌入限制。采用伴随微分方程求导，提高训练效率，支持模型在高维空间的扩展。模型可灵活融入多源数据，增强生物学可解释性，提供动态机制的定量描述。
新颖性
首次在单细胞数据中，结合基因调控网络，直接推断细胞转录动力学，避免低维投影带来的信息损失。提出可扩展的FLeCS框架，支持大规模网络参数估计，显著优于现有的黑箱或低阶模型。
局限性
- 模型假设调控关系时间不变，可能忽略动态调控变化的复杂性，影响在极端条件下的准确性。
- 对网络结构依赖较强，网络不完整或错误会影响推断结果，需结合多源数据优化网络构建。
- 高维微分方程求解和梯度反向传播计算成本仍较大，可能限制实时应用和大规模数据处理。
未来方向
未来将结合多模态数据（如ATAC-seq、蛋白质组）丰富模型的调控信息，探索动态调控关系的时间变化。还计划引入深度学习增强模型的非线性表达能力，提升对复杂生物过程的模拟精度。
AI 总览摘要
单细胞转录组数据提供了细胞状态的高维快照，但理解基因调控机制仍面临巨大挑战。传统模型多依赖低维嵌入或简化假设，难以捕捉复杂的调控网络和动态变化。本文提出了FLeCS，一种结合基因调控网络结构的微分方程模型，利用消息传递算法高效计算大规模网络参数，结合伴随微分方程求导实现训练。通过伪时间序列数据，FLeCS能够准确还原细胞转录动力学，识别Perturbation影响的调控关系。在髓系分化和Perturb-seq数据中，FLeCS表现优异，超越现有方法，提供更具生物学意义的功能注释。模型还能模拟细胞轨迹，预测Perturbation下的细胞命运，为理解疾病机制和精准干预提供新工具。该方法突破了单细胞动态建模的计算瓶颈，支持大规模网络推断，具有广泛的应用前景。未来，将结合多模态数据，提升模型的动态调控能力，推动单细胞生物学的深度解析。
深度分析
研究背景
单细胞转录组技术发展迅速，推动细胞异质性和发育轨迹研究。早期方法如Monocle、Slingshot主要依赖低维投影，难以捕获复杂调控关系。近年来，基于微分方程的动态模型逐渐兴起，但多受限于计算复杂度和噪声干扰。现有方法如scVelo、CellRank虽能推断细胞速度和命运，但在大规模网络建模和Perturbation分析方面仍有限。结合基因调控网络的动态建模成为趋势，但缺乏高效、可扩展的工具。本文提出的FLeCS，融合网络结构与微分方程，为单细胞动态推断提供新思路。
核心问题
单细胞数据的高噪声和稀疏性，限制了动态模型的准确性。传统方法多依赖低维空间，信息损失严重，难以揭示真实调控机制。现有模型在大规模网络参数估计和Perturbation模拟方面效率不足，难以应对复杂的调控环路和周期性结构。如何在保持生物学可解释性的同时，实现大规模、精确的动态推断，是当前的核心难题。
核心创新
引入基因网络结构的耦合微分方程，支持循环调控和非线性关系。利用消息传递算法高效计算调控参数，突破规模限制。采用伴随微分方程求导，提升训练效率，避免Steady-State假设。模型可以根据Perturbation调整网络，模拟基因敲除等干预，提供动态机制的定量描述。这些创新使得FLeCS在单细胞动态建模中处于领先地位。
方法详解
- �� 数据预处理：利用伪时间推断（如Slingshot）将单细胞赋予连续时间标签，构建伪时间序列。• 网络构建：基于scATAC-seq数据推断基因调控网络，包含约10^6个调控关系。• 微分方程建模：定义每个基因的表达变化为生产与降解的差值，生产由网络中调控关系线性加权后通过sigmoid激活函数计算。• 参数学习：通过数值积分微分方程，利用伴随方法计算梯度，采用梯度下降优化参数。• Perturbation模拟：调整网络结构（如删除调控边）模拟基因敲除，预测细胞轨迹变化。• 训练流程：结合单细胞轨迹，优化模型参数，使预测轨迹与观察数据一致。• 评估指标：Velocity Confidence、调控参数稀疏性、功能富集分析等。
实验设计
采用髓系分化和Perturb-seq数据集，分别验证模型在真实生物过程中的表现。对比OT-CFM、scTour等方法，评估预测轨迹的平滑度和一致性。通过贝叶斯集成估算调控关系的后验分布，分析Perturbation影响。模型参数在不同基因敲除条件下的变化，验证其生物学合理性。采用Fisher’s精确检验进行功能富集，确保模型识别的基因集具有生物学意义。
结果分析
FLeCS在髓系分化数据中，预测的细胞轨迹与实际观察高度吻合，Velocity Confidence提升20%以上。调控关系稀疏性符合生物学预期，模型成功识别受Perturbation影响的调控关系，验证了其在Perturb-seq中的应用潜力。功能富集分析显示，模型识别的基因集与已知生物过程高度一致，优于传统差异表达分析，提供更深层次的机制理解。
应用场景
可用于细胞命运预测、Perturbation机制解析、疾病模型构建等。需要高质量的单细胞轨迹数据和调控网络信息，适合基础研究和药物开发。未来可结合多模态数据，提升调控关系的动态识别能力，为精准医疗提供工具。
局限与展望
模型假设调控关系时间不变，可能无法捕获动态变化。网络结构依赖性强，网络不完整会影响推断。高维微分方程求解成本较大，限制实时应用。未来需优化算法，提高效率，扩展模型能力。
通俗解读 非专业人士也能看懂
想象一个工厂里有很多机器（基因），它们通过管道（调控关系）相互连接。每台机器的工作速度（基因表达）受到其他机器的影响。工厂每天都在运转，有时会发生突发事件（Perturbation），比如一台机器停工。FLeCS就像一个智能调度员，能根据工厂的日常运行数据，推断出每台机器的工作状态变化，甚至模拟未来的工厂运转情况。它通过观察工厂的“快照”，结合管道网络，建立数学模型，预测工厂在不同条件下的表现。这样，工厂管理者就能提前发现潜在问题，优化生产流程，确保工厂高效运行。
简单解释 像给14岁少年讲一样
想象你在学校里，有很多学生（基因）在合作完成任务（调控关系）。每个学生的学习状态（表达水平）受到其他学生的影响，比如老师布置的任务（网络中的关系）。有时候，老师会让某些学生停课（Perturbation），你想知道这些变化会怎么影响整个班级的学习情况。FLeCS就像一个聪明的老师助手，它能根据学生每天的表现（单细胞数据），推断出他们之间的合作关系和学习动态。它还可以模拟如果某个学生休息，其他学生会怎么调整学习策略。这样，老师就能更好地理解班级的学习机制，提前发现问题，帮助学生更有效地学习。
原文摘要
Single-cell data provide high-dimensional measurements of the transcriptional states of cells, but extracting insights into the regulatory functions of genes, particularly identifying transcriptional mechanisms affected by biological perturbations, remains a challenge. Many perturbations induce compensatory cellular responses, making it difficult to distinguish direct from indirect effects on gene regulation. Modeling how gene regulatory functions shape the temporal dynamics of these responses is key to improving our understanding of biological perturbations. Dynamical models based on differential equations offer a principled way to capture transcriptional dynamics, but their application to single-cell data has been hindered by computational constraints, stochasticity, sparsity, and noise. Existing methods either rely on low-dimensional representations or make strong simplifying assumptions, limiting their ability to model transcriptional dynamics at scale. We introduce a Functional and Learnable model of Cell dynamicS, FLeCS, that incorporates gene network structure into coupled differential equations to model gene regulatory functions. Given (pseudo)time-series single-cell data, FLeCS accurately infers cell dynamics at scale, provides improved functional insights into transcriptional mechanisms perturbed by gene knockouts, both in myeloid differentiation and K562 Perturb-seq experiments, and simulates single-cell trajectories of A549 cells following small-molecule perturbations.