arXiv:2605.20989v1 Announce Type: new 
Abstract: Single-cell RNA sequencing provides insights into gene expression at single-cell resolution, yet inferring temporal processes from these static snapshot measurements remains a fundamental challenge. Current approaches utilizing neural differential equations and flows are sensitive to overfitting and lack careful considerations of biological variability. In this work, we propose a generative framework that models population trends using a latent heteroscedastic Gaussian process (GP) approximated by Hilbert space methods. To address the absence of genuine cell trajectories, we leverage an optimal transport (OT) objective that aligns generated and observed population distributions. Our method explicitly captures biological heterogeneity by incorporating cell-specific latent time and cell type conditioning to disentangle temporal asynchrony and trajectories to different cell types. We demonstrate state-of-the-art performance on complex interpolation and extrapolation benchmarks and introduce a novel gradient-based strategy for inferring perturbation trajectories.

تقدم دراسة جديدة إطارًا توليديًا لنمذجة بيانات تسلسل RNA أحادي الخلية (scRNA-seq) الزمنية باستخدام عملية غاوسية غير متجانسة كامنة وطرق النقل الأمثل. تتناول هذه الطريقة التحدي المتمثل في استنتاج العمليات الزمنية من القياسات الثابتة من خلال محاذاة توزيعات السكان المولدة والملاحظة مع التقاط التباين البيولوجي.

Un nuevo estudio presenta un marco generativo para modelar datos de secuenciación de ARN de célula única (scRNA-seq) temporales utilizando un proceso gaussiano heterocedástico latente y métodos de transporte óptimo. Este enfoque aborda el desafío de inferir procesos temporales a partir de mediciones estáticas al alinear las distribuciones de población generadas y observadas, capturando al mismo tiempo la heterogeneidad biológica.

Une nouvelle étude présente un cadre génératif pour modéliser les données de séquençage d'ARN à cellule unique (scRNA-seq) temporelles en utilisant un processus gaussien hétéroscédastique latent et des méthodes de transport optimal. Cette approche répond au défi d'inférer des processus temporels à partir de mesures statiques en alignant les distributions de population générées et observées tout en capturant l'hétérogénéité biologique.

A new study introduces a generative framework for modeling temporal single-cell RNA sequencing (scRNA-seq) data using a latent heteroscedastic Gaussian process and optimal transport methods. This approach addresses the challenge of inferring temporal processes from static measurements by aligning generated and observed population distributions while capturing biological heterogeneity.