Huai-Yu Liou

在多个大规模Perturb-seq数据集上，一种名为Graph-guided Flow Matching（GFM）的生成框架把基因本体、蛋白互作和扰动相似性三类知识图谱与潜空间流匹配结合，用于预测未见过扰动后的单细胞转录组。它在单基因扰动预测上超过了线性基线和CellFlow、GEARS、scGPT等深度学习模型，训练速度最多快30倍，并在训练数据减少时保持优势；在双基因扰动中，当两个基因都未在训练中出现时表现更好。

在多个大规模Perturb-seq数据集上，一种名为Graph-guided Flow Matching（GFM）的生成框架把基因本体、蛋白互作和扰动相似性三类知识图谱与潜空间流匹配结合，用于预测未见过扰动后的单细胞转录组。它在单基因扰动预测上超过了线性基线和CellFlow、GEARS、scGPT等深度学习模型，训练速度最多快30倍，并在训练数据减少时保持优势；在双基因扰动中，当两个基因都未在训练中出现时表现更好。