基于Wasserstein-1神经最优传输的快速可扩展单细胞扰动预测新方法

本研究针对单细胞扰动预测中传统Wasserstein-2(W2)最优传输(OT)求解器存在的计算复杂度高、收敛慢等问题，开发了基于Wasserstein-1(W1)对偶公式的新型神经OT求解器。通过1-Lipschitz群排序网络与对抗训练相结合，实现了25-45倍加速，在保持"单调性"映射特性的同时，在sciplex3和4i等单细胞数据集上达到或超越W2 OT性能，为高通量单细胞数据分析提供了高效工具。

　　

在生命科学领域，单细胞扰动实验已成为研究细胞对环境变化（如药物治疗）响应的重要工具。然而，由于测量过程中细胞的固定或破坏，研究人员只能获得未配对的控制组和扰动组单细胞数据分布，这给建立准确的预测模型带来了巨大挑战。传统方法如scGen仅通过均值位移进行预测，难以捕捉复杂的分布变化；而基于Wasserstein-2(W₂)最优传输的CellOT等方法虽然效果更好，却面临着复杂的极小-极大优化问题和输入凸神经网络(ICNN)在高维数据中的性能限制。

针对这些挑战，美国马里兰大学(University of Maryland)计算机科学系的Yanshuo Chen等研究人员在《Bioinformatics》发表研究，提出了一种创新的Wasserstein-1(W₁)神经最优传输求解器。该方法通过简化对偶问题为单一1-Lipschitz函数的最大化问题，结合对抗训练确定传输步长，成功克服了传统方法的计算瓶颈，为单细胞数据分析提供了更高效的解决方案。

研究团队采用了三个关键技术方法：1) 使用GroupSort激活函数的1-Lipschitz神经网络求解W₁对偶问题；2) 通过对抗训练学习样本特异性传输步长；3) 在sciplex3 scRNA-seq和4i细胞成像数据集上验证性能，比较了特征均值相关性(r²)、L₂距离和最大均值差异(MMD)等指标。

研究结果部分显示，在"3.1 W₁ OT solver learns the monotonic map on 2D datasets"中，通过设计的"书架"和"同心圆"等合成数据集验证，该方法能保持标记点的相对顺序，成功学习到符合生物学意义的"单调"映射。

"3.2 W₁ OT solver accurately predicts single-cell responses"表明，在真实单细胞数据集上，该方法在i.i.d.设置中与W₂ OT性能相当，显著优于scGen；在更具挑战性的o.o.d.(out-of-distribution)场景下，由于W₁度量对噪声的鲁棒性，其表现甚至优于W₂ OT。

"3.3 W₁ OT solver scales better on high dimensional scRNA-seq datasets"部分显示，该方法在1000维高可变基因数据上仍保持良好性能，而W₂ OT则显著下降；计算时间仅需5分钟，比传统方法快25-45倍。

这项研究的创新性在于将复杂的OT问题分解为两个更简单的优化任务：通过W₁对偶获得传输方向指导，再通过对抗训练确定步长。这不仅解决了传统方法在高维数据中的性能瓶颈，还为单细胞分析领域提供了首个准确的W₁ OT求解器。随着单细胞基础模型的发展，这种高效、可扩展的方法有望加速超大规模单细胞数据集的研究，在癌症研究、药物开发等领域产生重要影响。研究团队也指出，虽然经验证该方法能学习"单调"映射，但其理论保证仍是未来需要探索的方向。