《Computational Biology and Chemistry》：TREA-RN: Template-relative mechanistic hypothesis auditing with staged petri net inference
编辑推荐：
TREA-RN提出了一种模板相对的审计工作流，用于检验调控网络中的机制性主张。该方法采用分阶段的佩特里网推理，将图采样与参数优化分离。校准检查能够揭示采样器误差以及缺乏支持的机制性主张。受控实验可以恢复候选库中的边，并暴露区间限制。蛋白质信号传导数据显示出高于
TREA-RN提出了一种模板相对的审计工作流，用于检验调控网络中的机制性主张。该方法采用分阶段的佩特里网推理，将图采样与参数优化分离。校准检查能够揭示采样器误差以及缺乏支持的机制性主张。受控实验可以恢复候选库中的边，并暴露区间限制。蛋白质信号传导数据显示出高于随机水平的无向链接评分能力。
研究背景与现存问题
分子调控网络连接基因、转录本、蛋白质、复合物及信号分子，与细胞表型和扰动响应密切相关。然而，由于生物系统具有非线性、随机性、强反馈、部分观测及稀疏扰动的特性，推断这些网络极为困难。多种兼容相同建模假设的机制可能同时解释同一组观测数据，因此即便获得最高得分的图结构，也未必能被数据唯一确定。现有方法存在明显不足：随机佩特里网框架虽提供可执行的生化动力学，但无法自动搜索替代拓扑结构，也无法验证学习到的结构采样器是否保留了声明的图级目标；而生成式图采样器（如GFlowNet类方法）虽能探索多样的离散结构，却既未定义有机制意义的图目标，也未提供图特异性的动力学验证。这种计算上的空白在于，缺乏一种可审计的连接，将可执行模板、声明的图目标或得分、结构采样、拓扑特异性参数优化以及最终主张的证据支持系统地整合起来。
研究内容与结论
为此，研究人员提出了TREA-RN（Template-Relative Evidence Auditing for Regulatory Networks，模板相对调控网络证据审计），旨在评估给定的数据-模板对支持哪些机制性主张。该工作流在报告定向、非定向、预测性或阴性结果之前，系统测试候选区分度、采样器保真度以及图特异性的预测充分性。其主要贡献包括：模板相对假说审计，即事先声明允许的机制语法、候选库、扰动与观测设计、先验、图得分、近似方案及标签使用协议；分阶段架构，即将图目标构建、结构采样、图特异性参数优化、佩特里网执行及证据报告分别评估；可执行带类型语义，即模板允许的图定义了随机或混合佩特里网模型，其状态空间、执行条件及观测映射均被显式说明；阳性与阴性审计结果，即工作流既报告得到支持的主张，也报告阻止更强结论的阶段特异性诊断；明确的认知不确定性及主张范围，即结构性与参数不确定性、采样器误差、候选库依赖及预测诊断共同限定最终解释。
关键技术方法
研究人员采用了分阶段的算法架构，包含五个主要阶段：冻结审计范围、构建图目标或得分、结构采样与校准、图特异性参数优化与执行、以及带范围的证据报告。其中，贝叶斯类型化佩特里网（Bayesian Typed Petri Net，BTPN）作为核心的可执行模型框架，定义了模板允许的机制语法及图特异性参数空间。结构采样采用GFlowNet类方法，通过轨迹平衡（Trajectory Balance）目标逼近有限库上的图后验分布。图特异性参数优化则使用掩码Adam（Masked Adam）递归，确保只有活跃坐标参与梯度更新与动量累积。此外，离线初始化器（HyperNetwork）为已知图提供起始点，加速局部优化。
研究结果
1. 受控合成实验
在DREAM4数据集上，研究人员通过受控合成实验验证了TREA-RN工作流的有效性。实验结果表明，该工作流能够成功恢复候选库中的真实边，同时暴露了有限库在区间估计上的局限性。具体而言，枚举目标下的校准检查显示，采样器能够合理逼近声明的图目标，但参数区间的名义覆盖与实际覆盖之间存在偏差。
2. 真实数据实验
在Sachs蛋白质信号传导数据集上，TREA-RN的无向链接评分显著高于随机水平，表明其能够从干预性单细胞测量中提取有意义的信号通路关联。然而，在有向边识别方面，该方法的表现并未超越现有基准方法GB100，且未能建立稳定的排序优势。
3. 阴性诊断结果
在IRMA酵母电路数据集和DREAM5表达谱挑战数据集上，TREA-RN产生了阴性诊断结果。对于IRMA，由于其时间序列稀疏且延迟效应与隐藏状态影响显著，工作流未能获得可靠的定向边识别。对于DREAM5，将基于转移的动态得分应用于稳态表达谱是一种刻意的压力测试，结果显示了数据-得分不兼容性。
4. 统计与扩展性审计
研究人员进行了统计显著性检验和扩展性分析，确认了上述结果的稳健性。校准检查揭示了采样器误差的存在，而阶段不一致性诊断进一步表明，在某些设置下，采样得分与优化后得分之间的差异限制了最终主张的强度。
总结讨论与研究结论
TREA-RN的核心价值在于提供了一个可审计的工作流，将模板声明、图目标构建、结构采样、参数优化及证据报告系统地连接起来，而不是声称每个组件都优于现有方法。研究结论明确指出，该工作流支持在特定条件下（如Sachs数据的无向骨架评分）产生阳性结果，但在其他条件下（如IRMA和DREAM5）产生阴性诊断。这些阴性结果本身即是重要的科学产出，因为它们揭示了当前数据-模板对的局限性。研究人员强调，所有结果都是相对于声明的模板、候选库、先验及得分函数而言的，改变这些声明要素可能导致不同的结论。未来工作需要更广泛的基准测试、跨模板一致性验证以及更严格的采样器校准协议。
