GeneLink+：基于动态注意力机制与残差连接的细胞类型特异性基因调控网络推断新方法

研究人员针对单细胞转录组数据稀疏性、细胞异质性和深度学习模型过平滑等问题，开发了GeneLink+框架。该模型通过残差-GATv2模块整合动态注意力机制，结合改进的点积评分方案，在7个数据集测试中显著提升细胞类型特异性基因调控网络(ctGRN)推断精度，成功解析了阿尔茨海默病、乳腺癌等疾病的关键调控通路，为精准医学研究提供新工具。

　　

在生命科学领域，解析细胞类型特异性基因调控网络(ctGRN)犹如破解生命的密码本，它决定着细胞分化、组织发育和疾病演变的奥秘。然而，随着单细胞RNA测序(scRNA-seq)和空间转录组(SRT)技术的爆发式发展，科学家们面临三大难题：数据稀疏性导致信号丢失、细胞异质性造成背景噪声、以及深度学习模型中的"过平滑"现象——就像过度美颜的照片，关键基因特征在多层图卷积中变得模糊不清。这些问题严重阻碍了从海量转录组数据中精准推断基因调控关系的进程。

山东大学控制科学与工程学院生物医学工程系的研究团队在《Briefings in Bioinformatics》发表的研究中，提出了革命性的GeneLink+框架。这项研究通过创新性地整合动态注意力机制与残差连接，不仅突破了传统方法的局限，更在7种不同技术平台的数据集测试中展现出卓越性能，为解码疾病特异性调控机制提供了全新工具。

研究采用三大核心技术：首先利用MAGIC算法对scRNA-seq/snRNA-seq数据进行去噪和插补处理；其次构建基于KEGG、STRING等数据库的基因先验网络；最核心的是开发了包含三层残差-GATv2模块的神经网络架构，其中GATv2采用动态注意力机制替代传统GAT的静态计算，配合残差连接防止信息丢失，最后通过改进的点积评分实现调控关系的定向预测。

基准测试结果
在44个数据集上的系统评估显示，GeneLink+在AUPRC指标上全面超越现有方法。例如在hHEP细胞特异性数据集中达到0.81的AUPRC，较次优方法提升8%；在mESC的LOF/GOF网络中更以22%的优势领先。消融实验证实，GATv2模块使模型注意力分配灵活性提升47%，而残差连接有效缓解了过平滑现象。

PBMC免疫细胞解析
应用GeneLink+分析8000多个人类外周血单核细胞，成功鉴定出B细胞中的POU2F1/OCT2、T细胞中的TBX21-RUNX3复合体等关键转录调控模块。差异表达验证显示，这些核心转录因子及其靶基因在相应细胞类型中显著富集，证实了模型捕捉细胞特异性信号的能力。

阿尔茨海默病机制发现
通过分析191,897个AD患者小胶质细胞核，构建出包含NFKB1-RELA-APOE等63个基因的调控网络。GO分析揭示该网络显著富集于神经退行性通路（P<1×10^-5），特别是NFKB1对APOE的调控关系与已有实验证据高度吻合，解释了β淀粉样蛋白沉积的潜在分子机制。

乳腺癌空间异质性
在3798个空间转录组位点中，GeneLink+清晰描绘了从导管原位癌(DCIS)到浸润性导管癌(IDC)转变过程中的关键调控重编程。E2F1-FGFR1等调控对的激活程度与肿瘤恶性度呈正相关（r=0.82），基于这些标志物进行的生存分析成功区分高低风险患者群体（P=0.0041）。

这项研究的突破性在于：首次将动态注意力机制引入ctGRN推断领域，通过残差-GATv2模块实现基因特征的层次化保留；提出的改进点积评分方案使因果推断准确率提升35%；建立的标准化评估流程解决了数据不平衡导致的评价偏差问题。这些创新不仅为单细胞多组学数据分析树立了新标准，更在阿尔茨海默病、乳腺癌等重大疾病的分子分型和治疗靶点发现方面展现出广阔应用前景。未来整合染色质可及性等表观遗传数据，有望进一步揭示基因调控的时空动态规律。