把ATAC映射进固定的RNA空间：FlowAlign用路径一致性同时抓住配对细胞与组织结构
核心概要
FlowAlign把条件流匹配从推理时的生成工具改成训练时的对齐信号：先沿配对样本的插值路径学一个以源模态为条件的速度场，再冻结它，用候选表示所诱导路径的速度残差来训练源侧映射器。在PBMC与BMMC配对单细胞多组学基准上，它把ATAC表示映射进固定的RNA PCA空间，FOSCTTM低于所比较的整合方法与同架构配对基线，同时NMI、ARI等结构指标更高。合成数据与图像—文本对齐任务上也报告了同类改进。
深度剖析
多模态对齐现在多了一种训练信号：不再只要求映射后的点靠近配对目标或整体分布吻合，而是要求候选表示在目标空间里诱导出的路径速度与从真实配对样本学到的速度场一致。 此前的对比损失只约束相对相似度，分布匹配损失只改善边缘分布一致，逐点回归只拟合每个源样本到其配对目标，三者都没有显式建模目标空间中的路径几何。 在PBMC上，FlowAlign的FOSCTTM为0.039、精确细胞匹配率为0.141，同架构的MSE基线分别为0.048和0.110；在BMMC上两者分别为0.019和0.050，MSE基线为0.042和0.032。
做法分两步：先学一个以源表示为条件的速度场，再冻结它，把候选表示沿路径的速度残差当作打分，用来训练只接收源模态的映射器。 条件流匹配通常被当作推理时的传输或生成模型，这里改为在训练阶段充当对齐判据，推理时速度场与路径采样都被丢弃，源样本一次前向即可落到固定目标空间。 在PBMC与BMMC上，ATAC用TF–IDF/LSI嵌入、RNA用PCA嵌入，各为25维，细胞按配对级别划分训练、验证与留出测试集，测试时只给ATAC表示；PBMC上FlowAlign的NMI为0.872、ARI为0.885，同架构MSE基线为0.821和0.814。
同一判据还能作为插件正则项，加在已有任务模型上，把预训练的ATAC潜空间朝固定的RNA潜空间重塑。 在PBMC的概念验证中，以scVI的RNA潜空间为固定目标，从预训练PeakVI出发，用其峰重建损失加FlowAlign路径一致性损失微调。 正则化后FOSCTTM从预训练PeakVI的0.548降到0.068，R@1从0.000升到0.046，LTA从0.047升到0.815，峰重建AUROC从0.782变为0.765、AUPR从0.637变为0.630。
启示与展望
演示范围限于合成二维轨迹、PBMC与BMMC两个配对单细胞多组学数据集，以及CUBICC图像—文本配对任务；单细胞实验中ATAC与RNA分别经TF–IDF/LSI与PCA得到25维表示，测试时只提供ATAC侧输入。作者提出后续将探索更灵活的起点分布、速度场诊断、部分配对或无配对设定以及更广的应用。
方法需要配对数据、一个可用于构造路径的共同向量空间，以及准确的Stage-1速度场；源表示不兼容或速度场学得不好会削弱对齐信号。当前分析假设欧氏线性路径，单独对齐也不保证保留目标空间中不存在的源模态特有信息。留出数据上的速度场诊断显示真实配对路径的残差低于随机打乱端点的路径，但这些诊断并未直接验证命题所用的局部平滑假设。