基于单细胞转录组学的整合图深度学习与方向性解码用于稳健的基因调控网络推断
《Journal of Zhejiang University-SCIENCE B》:Integrative graph deep learning with directional decoding for robust gene regulatory network inference from single-cell transcriptomics
【字体:
大
中
小
】
时间:2026年09月23日
来源:Journal of Zhejiang University-SCIENCE B 5.7
编辑推荐:
基因调控网络(GRN)是理解复杂细胞机制的基础,但从单细胞RNA测序(scRNA-seq)数据中准确推断GRN受到固有噪声、转录缺失事件和基因调控动态特性的阻碍。当前计算方法通常忽视长程调控相互作用,缺乏对调控方向的显式建模,且泛化能力有限。为解决这些局限性,我们提出了scG
基因调控网络(GRN)是理解复杂细胞机制的基础,但从单细胞RNA测序(scRNA-seq)数据中准确推断GRN受到固有噪声、转录缺失事件和基因调控动态特性的阻碍。当前计算方法通常忽视长程调控相互作用,缺乏对调控方向的显式建模,且泛化能力有限。为解决这些局限性,我们提出了scGRAIL,一个有监督的深度学习框架,该框架将归纳的局部感知图聚合(LGA)与非对称关系解码器相结合,以实现稳健的GRN推断。在该框架中,LGA对转录因子(TF)-靶基因图执行多跳邻域聚合,共同利用拓扑结构和基因表达来捕获长程调控依赖关系。节点重建自编码器(NAE)对潜在嵌入施加基因表达重建约束,从而增强对噪声和数据异质性的鲁棒性并提高泛化能力。在解码过程中引入非对称差异机制,以区别性地建模转录因子和靶基因;通过计算其嵌入之间的有序差向量,模型显式捕获了TF-靶基因调控相互作用的方向性和靶基因特异性,有助于更准确地识别潜在的因果调控关系。综合评估证明了该模型的优越性:它在86.4%的基准数据集(38/44)上取得最佳性能,超越了最先进方法。值得注意的是,与图对比链接预测(GCLink)模型相比,scGRAIL在四个真实网络上的平均受试者工作特征曲线下面积(AUROC)提高了4.25%,在小鼠造血干细胞淋巴谱系(mHSC-L)数据集的TF500+非特异性网络上实现了17.64%的AUROC提升,展示了其对噪声的韧性以及对大规模GRN的可扩展性。这些结果确立了scGRAIL作为单细胞转录组学中揭示基因调控逻辑的变革性工具。总体而言,scGRAIL通过多跳图聚合捕获长程调控依赖关系、通过表达重建约束提高跨数据集鲁棒性,以及通过非对称解码机制显式建模TF与靶基因之间的调控方向性,增强了单细胞GRN推断中的结构建模和方向辨别能力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号