390-CellOT：利用神经最优传输学习单细胞扰动响应

本文介绍了 CellOT，这是一个利用神经最优传输（Neural Optimal Transport）理论来预测单细胞对外部干预（如药物或基因扰动）反应的新型机器学习框架。由于单细胞测量通常具有破坏性，研究者无法直接观察同一细胞在受扰前后的变化，而 CellOT 通过学习非成对数据之间的数学映射，成功解决了这一难题。该模型利用输入凸神经网络（ICNN）来捕捉细胞群体的异质性，能够比现有技术更准确地推断细胞状态的转化轨迹。研究证明，CellOT 在预测癌症药物反应、跨物种免疫反应以及细胞发育轨迹方面具有卓越的泛化能力。总之，这一工具为理解复杂生物系统中的个体细胞行为及精准医疗提供了强大的计算支持。

References:

• Bunne, C., Stark, S.G., Gut, G. et al. Learning single-cell perturbation responses using neural optimal transport. Nat Methods 20, 1759–1768 (2023). doi.org