单细胞扰动预测不再只靠预训练：GFM把知识图谱接进流匹配，训练最多快30倍
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。
FLaRe用流匹配在潜空间做推理，五项探针全面超越既有潜推理方法，并以四分之一延迟达到显式思维链97%准确率
作者提出潜推理的五项要求（有用、多样、可解释、可精化、高效），并给出基于学习潜空间中流匹配的配方FLaRe：用符号思维链训练VAE、对输入与潜码加扰动、把流训练集中在接近纯噪声处、答案读取器同时读加噪码与模型自身预测、再用自验证 rollout 自训练；探针显示FLaRe在五项要求上均优于Coconut、CODI、PCCoT，在算术基准上表现更好，并以约四分之一延迟达到显式思维链97%的准确率。
Unite-Audio 把音频表征学习与潜在流匹配联合训练，用紧凑模型取得有竞争力的文本到音频生成效果
该工作提出 Unite-Audio，将连续音频表征学习与潜在流匹配联合训练用于文本到音频生成，通过把重建与自监督生成预测耦合，让生成目标直接塑造潜在空间，并采用 Flow-GRPO 后训练改善文本条件生成；实验显示紧凑的潜在流模型取得有竞争力的文本到音频性能，消融研究确认联合学习音频表征与生成模型带来收益。
已读完全部报道