В исследовании представлена новая архитектура DPMM-FM — автоэнкодер, использующий онлайн-модель смеси процессов Дирихле (DPMM) и регуляризацию через conditional optimal-transport flow matching для анализа данных scRNA-seq. Основная цель работы — создание более структурированного и биологически интерпретируемого латентного пространства при анализе транскриптомики единичных клеток. Тестирование на 56 наборах данных scRNA-seq показало, что базовая модель DPMM-Base превосходит стандартные автоэнкодеры (Pure-AE), демонстрируя рост компактности кластеров (ASW 0.374 против 0.165) и снижение перекрытия кластеров по индексу Дэвиса–Болдина на 47% (0.868 против 1.624). Применение flow-matching позволило дополнительно сгладить латентный многообраз, обеспечив наивысшую точность проекции по метрикам DRE, LSE и DREX. Сравнительный анализ с 18 базовыми методами подтвердил превосходство DPMM-Base в 70.5% случаев по ключевым метрикам. Биологическая валидация на данных энтодермы и зубчатой извилины подтвердила, что полученные компоненты соответствуют когерентным программам генных онтологий (GO), что связывает математическую точность модели с биологической значимостью.