来源:Quantitative Biology 发布时间:2024/2/26 13:17:14
选择字号:
QB | 吉林大学孙慧妍副教授团队提出基于因果结构发现推断基因调控网络的新方法GRINCD

论文标题: Gene regulatory network inference based on causal discovery integrating with graph neural network

期刊:Quantitative Biology

作者:Ke Feng, Hongyang Jiang, Chaoyi Yin, Huiyan Sun

发表时间:22 December 2023

DOI:https://doi.org/10.1002/qub2.26

微信链接:点击此处阅读微信文章

基因调控网络(Gene Regulatory Network, GRN)以网络形式展示了生物系统中基因之间的调控机制,为理解分子间相互作用和生物过程提供了重要线索,并与生物体发育、环境适应,疾病表型等密切相关。转录因子和目标基因之间的调控关系是一种天然的因果关系。面向转录组数据推断基因调控网络一直以来都是大家关心的科学问题,与基于广义相关性的方法相比,基于因果关系的方法推断基因之间的调控关系似乎更合理。

近期,吉林大学孙慧妍副教授课题组Quantitative Biology期刊发表了一篇题目名为“Gene regulatory network inference based on causal discovery integrating with graph neural network”的研究性论文,文章提出了一种基于因果发现推断基因调控网络的方法GRINCD,以图表示学习和因果不对称学习为基础,发掘转录因子和目标基因之间的因果关系。

全文概要

高通量技术的发展产生了大量的组学数据,为挖掘基因之间的调控关系提供了重要基础,目前已有许多方法利用基因表达数据推断调控网络。由于调控机制本质上是一种因果关系,本文作者提出一种基于成对因果结构发现的GRN推理框架 GRINCD(图1),该方法结合图表示学习和因果不对称学习,获得节点在系统中的嵌入特征,进而通过应用加性噪声模型模型(Additive Noise Model, ANM)推断因果调控关系。此外,本文采用集成学习策略同时考虑线性和非线性两种调节关系,以获得更鲁棒的推断结果。