Résumé - Matching des flux en rencontre avec la biologie et la biotechnologie : Une enquête

Matching des flux en rencontre avec la biologie et la biotechnologie : Une enquête

2025-07-23 17:44:29

{"Zihao Li","Zhichen Zeng","Xiao Lin","Feihao Fang","Yanru Qu","Zhe Xu","Zhining Liu","Xuying Ning","Tianxin Wei","Ge Liu","Hanghang Tong","Jingrui He"}

{cs.LG,cs.AI}

Ce document présente une enquête complète sur le matching de flux (FM), un paradigme de modélisation générative puissant, et ses applications en biologie et sciences de la vie. Voici un résumé : **Basics du Matching de Flux (FM)** : * Les modèles FM modélisent des données à haute dimension et structurées en construisant une trajectoire de probabilité continue entre des distributions simples et complexes. * Il offre des avantages par rapport aux méthodes traditionnelles comme les GAN et les modèles de diffusion, notamment en termes d'expressivité, de scalability et d'efficacité des données. * FM est bien adapté à la biologie et aux sciences de la vie en raison de sa capacité à modéliser diverses modalités tout en préservant des contraintes structurelles et géométriques. **Applications en Biologie et Sciences de la Vie** : 1. **Modélisation des Séquences Biologiques** : * FM a été appliqué à la génération et à la modélisation de séquences d'ADN, d'ARN et de protéines. * Il peut gérer des contraintes complexes et générer des séquences avec des propriétés souhaitées. * Exemples incluent : * **Génération de Séquences d'ADN** : Fisher-Flow et Dirichlet Flow utilisent des distributions géométriques et catégorielles pour générer des séquences d'ADN de haute qualité. * **Génération de Séquences d'ARN** : RNACG et RNAFlow combinent FM avec la prédiction de structure pour générer des séquences d'ARN et leurs structures plissées. * **Génération de Séquences de Protéines** : APM et Proteina utilisent FM pour générer des séquences de protéines avec des propriétés souhaitées et des caractéristiques structurales. 2. **Génération et Conception de Molécules** : * FM a été utilisé pour générer et concevoir des molécules, y compris des molécules petites et des protéines. * Il peut générer une diversité de molécules avec des propriétés souhaitées et explorer efficacement l'espace chimique. * Exemples incluent : * **Génération de Molécules 2D** : GGFlow et DeFoG utilisent FM pour générer des graphes moléculaires 2D et leurs structures. * **Génération de Molécules 3D** : Megalodon, EquiFM et Equivariant Variational Flow Matching utilisent FM pour générer des structures moléculaires 3D avec une précision et une efficacité élevées. * **Modélisation des Interactions Protéine-Ligand** : FlowDock et FlowSite utilisent FM pour modéliser les interactions protéine-ligand et prédire les affinités de liaison. 3. **Génération de Protéines** : * FM a été utilisé pour générer des structures et des séquences de protéines. * Il peut générer des protéines diverses avec des propriétés souhaitées et explorer efficacement l'espace des protéines. * Exemples incluent : * **Génération Inconditionnelle de Protéines** : FrameFlow et FoldFlow génèrent des squelettes de protéines avec une haute diversité et une capacité de conception. * **Génération Conditionnelle de Protéines** : Motif-Scaffolding Generation et Pocket & Binder Design utilisent FM pour générer des protéines avec des propriétés et des fonctions spécifiques. * **Prédiction de Structures de Protéines** : AlphaFold et EVA utilisent FM pour prédire les structures et les dynamiques des protéines. 4. **Autres Applications en Biologie** : * FM a également été appliqué à d'autres applications en biologie, telles que : * **Prédiction des Trajectoires Dynamiques des Cellules** : CellFlow utilise FM pour prédire les trajectoires des cellules à partir de données cellulaires. * **Génération et Amélioration d'Images Biologiques** : FlowSDF et MMSFlow utilisent FM pour générer et améliorer des images médicales. * **Microenvironnements Cellulaires à Partir de la Transcriptomique Spatiale** : STFlow utilise FM pour modéliser les données de transcriptomique spatiale et capturer les interactions cellule-cellule et l'organisation tissulaire. **Défis et Directions Futures** : * Le document identifie plusieurs défis pour FM en biologie, tels que la rareté des données, l'hétérogénéité structurelle et l'efficacité computationnelle. * Les directions futures de la recherche incluent : * Développer des modèles FM plus efficaces et plus précis pour la génération de séquences discrètes. * Améliorer les capacités de génération conditionnelle de FM pour des tâches telles que la génération de molécules et le design de protéines. * Intégrer FM avec des simulations physiques et d'autres méthodes pour capturer des interactions et des dynamiques moléculaires complexes. **Dans l'ensemble, ce document fournit une vue d'ensemble précieuse du matching de flux et de ses applications en biologie et sciences de la vie. Il met en lumière le potentiel de FM comme outil puissant pour la génération et la modélisation de systèmes biologiques complexes et offre des insights sur les directions futures de la recherche**.