ODE + OT：计算生物学最硬核的方向

为什么 ODE + OT 是计算生物学最硬核的方向？

在现代计算生物学和单细胞领域，ODE（常微分方程） 管动态过程的演化机制，OT（最优传输） 管群体分布的对齐与迁移。两者结合完美契合了现代生信的核心数据特性——高维快照 + 时间连续性 + 群体异质性。

生物学的本质需求

生物不是静态的聚类结果，也不是孤立的单个细胞，而是随时间连续演化的概率群体。传统 Seurat/Scanpy + PCA/UMAP 的静态分析已经越来越不够用了。顶刊现在普遍要求你回答：

1. 这个过程怎么连续变化的（ODE/Neural ODE）？
2. 不同时间/条件下的群体是怎么整体迁移的（OT/Wasserstein）？
3. 如何同时建模个体轨迹 + 群体异质性？

---

方法学上的互补性

ODE 的优势

ODE 提供机理性和可预测性：

• 可解释、参数有生物意义
• 能做未来外推
• 适合建模连续时间动态

基本形式：

$$\frac{dy}{dt} = f(y, t, \theta)$$

Neural ODE：用神经网络学习 $f$

$$\frac{dy}{dt} = \text{NeuralNet}(y, t, \theta)$$

OT 的优势

OT 提供分布层面的全局最优性：

• 处理无配对数据
• 质量不守恒问题
• 跨模态对齐非常自然

Wasserstein 距离定义：

$$W_p(\mu, \nu) = \left( \inf_{\gamma \in \Gamma(\mu, \nu)} \int_{X \times Y} d(x, y)^p \, d\gamma(x, y) \right)^{1/p}$$

其中：

• $\mu, \nu$ 是两个概率分布
• $\Gamma(\mu, \nu)$ 是所有联合分布的集合
• $d(x, y)$ 是距离函数

结合后的威力

结合后（如 Neural ODE + OT、动态势场 + OT、TIGON 类方法）能同时实现：

• ✅ 轨迹重建
• ✅ 速率估计
• ✅ 扰动预测
• ✅ 关键转变点检测

这几乎是当前最优雅的框架。

---

为什么这个方向特别强？

1. 抓住了生物学的本质

单细胞数据本质上是：

• 高维：数万个基因
• 快照：大多数情况下只能获取时间点的切片
• 异质性：同一时间点的细胞处于不同状态

2. 工业界和顶刊的双重驱动

顶刊表现（2023-2026）：

• Nature Methods
• Cell Systems
• Nature Biotech
• Genome Biology

单细胞动态建模相关论文中，带 OT 或微分方程背景的占比非常高。

药企需求：

• 靶点发现
• 药物响应预测
• 疾病建模

药企特别喜欢这种可解释 + 可预测的框架，比纯 Transformer/扩散模型黑盒要安全得多。

---

核心方法分类

OT 类方法

方法	特点	应用场景
Waddington-OT	经典 OT 框架	发育轨迹推断
CellOT	细胞级别对齐	药物响应预测
moscot	多组学 OT	空间转录组
Gromov-Wasserstein	无配对对齐	跨模态数据

ODE 类方法

方法	特点	应用场景
Dynamo	速度场估计	RNA 速率
Neural ODE	神经网络 + ODE	复杂动态
Flow Matching	连续归一化流	生成模型
TIGON	ODE + OT 结合	综合分析

---

数学基础速览

最优传输的直观理解

想象你有两堆沙子（分布 $\mu$ 和 $\nu$），OT 找到的是搬运成本最小的方案。

离散形式：

$$W(\mu, \nu) = \min_{T} \sum_{i,j} T_{ij} \cdot c(x_i, y_j)$$

约束条件：

$$\sum_j T_{ij} = \mu_i, \quad \sum_i T_{ij} = \nu_j$$

Sinkhorn 算法

为了让 OT 可微且高效，引入熵正则化：

$$W_\varepsilon(\mu, \nu) = \min_{T} \sum_{i,j} T_{ij} \cdot c(x_i, y_j) + \varepsilon \cdot H(T)$$

其中 $H(T) = -\sum_{i,j} T_{ij} \log T_{ij}$ 是熵。

这可以用 Sinkhorn 迭代高效求解：

# Sinkhorn 算法伪代码
def sinkhorn(cost_matrix, mu, nu, epsilon, num_iters):
    K = np.exp(-cost_matrix / epsilon)
    u = np.ones_like(mu)
    
    for _ in range(num_iters):
        v = nu / (K.T @ u)
        u = mu / (K @ v)
    
    return np.diag(u) @ K @ np.diag(v)

Neural ODE 的数学

传统神经网络是离散层：

$$h_{t+1} = h_t + f(h_t, \theta_t)$$

Neural ODE 将其连续化：

$$\frac{dh}{dt} = f(h(t), t, \theta)$$

用 ODE 求解器（如 Runge-Kutta）求解：

$$h(T) = h(0) + \int_0^T f(h(t), t, \theta) \, dt$$

---

实战建议

入门路径（1-2 周）

第 1 周：理解基础概念

1. Wasserstein 距离

   • 直观理解：搬运成本
   • 计算方法：线性规划、Sinkhorn

2. ODE 基础

   • 基本形式和求解
   • 稳定性和平衡点

3. 学习资源

   • 📖 Computational Optimal Transport (Peyré & Cuturi)
   • 📖 Neural ODE 论文 (Chen et al., NeurIPS 2018)

第 2 周：动手实践

# 安装必要库
pip install torchdiffeq pot

# 实现简单的 Neural ODE
import torch
from torchdiffeq import odeint

class ODEFunc(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.net = torch.nn.Sequential(
            torch.nn.Linear(2, 50),
            torch.nn.ReLU(),
            torch.nn.Linear(50, 2)
        )
    
    def forward(self, t, y):
        return self.net(y)

# 训练
func = ODEFunc()
y0 = torch.randn(1, 2)
t = torch.linspace(0, 1, 100)
trajectory = odeint(func, y0, t)

进阶路径（1-2 月）

阅读核心论文

1. Waddington-OT (Schiebinger et al., Cell 2019)
2. Dynamo (Qiu et al., Cell 2022)
3. TIGON (Zhang et al., Nature Methods 2024)

复现实验

# 使用 moscot 处理真实数据
import moscot as mt
import scanpy as sc

# 加载数据
adata = sc.read("your_data.h5ad")

# 创建 OT 问题
problem = mt.problems.TrajectoryProblem(adata)

# 求解
problem.solve()

# 获取传输映射
transport_map = problem.solution

实战路径（3-6 月）

1. 改进现有方法

   • 结合 GNN 处理图结构数据
   • 引入几何先验

2. 发论文

   • 顶刊偏好：方法创新 + 生物洞见
   • 工程优化：大规模数据处理

---

必读核心论文清单

入门必读（5 篇）

#	论文	作者	年份	理由
1	Computational Optimal Transport	Peyré & Cuturi	2019	OT 领域的圣经
2	Neural Ordinary Differential Equations	Chen et al.	2018	开创性工作
3	Waddington-OT	Schiebinger et al.	2019	OT 在生信的经典应用
4	RNA velocity of single cells	La Manno et al.	2018	理解动态建模的基础
5	CellOT	Bunne et al.	2023	OT 在药物响应预测的突破

进阶必读（5 篇）

#	论文	作者	年份	理由
6	Dynamo	Qiu et al.	2022	速度场估计的里程碑
7	moscot	Klein et al.	2023	多组学 OT 框架
8	TIGON	Zhang et al.	2024	ODE + OT 结合的最新突破
9	Flow Matching for Generative Modeling	Lipman et al.	2023	连续归一化流的新范式
10	Gromov-Wasserstein Distances	Memoli	2011	无配对对齐的理论基础

前沿必读（5 篇）

#	论文	作者	年份	理由
11	Manifold Interpolating Optimal-Transport	Thornton et al.	2023	流形上的 OT
12	Stochastic Interpolants	Albergo et al.	2023	概率生成的新框架
13	OT-based trajectory inference	Lavenant et al.	2024	不确定性量化
14	Neural CDE for Irregular Time Series	Kidger et al.	2020	处理不规则时间序列
15	Geometric Neural ODE	Mathieu et al.	2020	几何结构保持

---

代码实现示例

OT 传输映射可视化

import numpy as np
import matplotlib.pyplot as plt
import ot

# 生成源分布和目标分布
np.random.seed(42)
n = 100

# 源分布：两个高斯
X = np.vstack([
    np.random.randn(n//2, 2) + [0, 0],
    np.random.randn(n//2, 2) + [3, 3]
])

# 目标分布：两个高斯
Y = np.vstack([
    np.random.randn(n//2, 2) + [5, 0],
    np.random.randn(n//2, 2) + [2, 3]
])

# 计算 OT 映射
a = np.ones(n) / n
b = np.ones(n) / n
M = ot.dist(X, Y)
T = ot.emd(a, b, M)

# 可视化
plt.figure(figsize=(10, 5))
plt.subplot(121)
plt.scatter(X[:, 0], X[:, 1], c='blue', label='Source')
plt.scatter(Y[:, 0], Y[:, 1], c='red', label='Target')
plt.legend()

plt.subplot(122)
plt.imshow(T, cmap='Blues')
plt.title('Transport Map')
plt.xlabel('Target')
plt.ylabel('Source')
plt.colorbar()
plt.show()

Neural ODE 训练

import torch
import torch.nn as nn
from torchdiffeq import odeint

class NeuralODE(nn.Module):
    def __init__(self, dim):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(dim, 64),
            nn.Tanh(),
            nn.Linear(64, 64),
            nn.Tanh(),
            nn.Linear(64, dim)
        )
    
    def forward(self, t, y):
        return self.net(y)

# 训练循环
def train_neural_ode(model, y0, target, t_span, epochs=1000):
    optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
    
    for epoch in range(epochs):
        optimizer.zero_grad()
        
        # 前向传播
        pred = odeint(model, y0, t_span)[-1]
        
        # 计算损失
        loss = nn.MSELoss()(pred, target)
        
        # 反向传播
        loss.backward()
        optimizer.step()
        
        if epoch % 100 == 0:
            print(f"Epoch {epoch}, Loss: {loss.item():.4f}")

---

潜在风险与注意点

1. 数学门槛较高

纯数学推导门槛不低，容易陷入”为了数学而数学”。生信里最值钱的还是生物洞见驱动的建模，而不是把 Wasserstein 距离刷得特别漂亮。

2. 计算开销大

Sinkhorn、连续模型训练等计算开销较大，工业落地时需要工程优化：

• GPU 加速
• 近似算法
• 分布式训练

3. 数据质量依赖

OT 对数据质量敏感：

• 批次效应
• 缺失值
• 噪声

解决方案：

• 数据预处理
• 正则化
• 鲁棒性设计

---

未来展望

三者融合

未来更强的可能是三者融合：

$$\text{OT} + \text{Neural ODE} + \text{GNN} \rightarrow \text{更强大的框架}$$

工业应用

• 药物发现
• 精准医疗
• 细胞治疗

---

总结

强烈推荐深耕。这个方向兼具学术深度 + 实际应用价值，是少数能同时让 PI 兴奋、让药企买单、又能发高分的方向。

干就对了。 🚀

---

参考资源

• Computational Optimal Transport
• moscot Documentation
• dynamo-tutorials
• torchdiffeq