GRN前沿：MTLGRN：基因调控网络的精确计算推理：在多任务框架内整合敲除数据

1.论文原名：Refining computational inference of gene regulatory networks: integrating knockout data within a multi-task framework

2.发表日期：2024.5.25

摘要：

构建精确的基因调控网络（gene regulatory network s，GRNs）反映了基因之间的动态调控过程，对于理解细胞的多样性过程和揭示生物系统的复杂性具有重要意义。随着计算机科学的发展，基于计算的方法已经被应用于GRNs推理任务。然而，目前的方法在有效利用现有的拓扑信息和基因调控关系的先验知识方面面临挑战，阻碍了对GRNs的全面理解和准确重建。作为回应，我们提出了一种新的基于图神经网络（GNN）的多任务学习框架的GRN重建，即MTLGRN。具体来说，我们首先编码基因启动子序列和基因生物学特征，并连接相应的特征表示。然后，我们构建了一个多任务学习框架，包括GRN重建，基因敲除预测，基因表达矩阵重建。通过联合训练，MTLGRN可以通过整合基因敲除信息、启动子特征和其他生物属性来优化基因潜在表示。大量的实验结果表明，与GRN重建任务的最新基线相比，该算法具有上级性能，有效地利用了生物学知识，并全面了解了基因调控关系。MTLGRN还率先尝试通过整合基因敲除信息来模拟批量数据上的基因敲除。

关键词：基因调控网络;图神经网络;基因敲除

MTLGRN框架

MTLGRN框架包含以下四个主要模块：

1. 特征表示模块（Feature Representation Module）：对基因的启动子序列和生物学特征进行编码，生成低维的基因特征表示。

2. 图自编码器模块（Graph Autoencoder Module）：利用图注意力网络（GAT）学习基因的低维表示，并重建基因调控网络。

3. 基因表达矩阵重建模块（Gene Expression Matrix Reconstruction Module）：通过基因和样本的低维表示重建基因表达矩阵，优化基因表达数据中的噪声问题。

4. 基因敲除预测模块（Gene Knockout Prediction Module）：利用基因表达数据和基因敲除信息预测基因敲除后的基因表达变化。

1. 特征表示模块（Feature Representation Module）

2. 图自编码器模块（Graph Autoencoder Module）

3. 基因表达矩阵重建模块（Gene Expression Matrix Reconstruction Module）

4. 基因敲除预测模块（Gene Knockout Prediction Module）

5. 联合训练（Joint Training）

6. 总结

MTLGRN框架通过整合多种生物学数据和先验知识，优化基因的低维表示，显著提高了基因调控网络重建的准确性和全面性。通过联合训练多个相关任务，该框架不仅提高了模型的性能，还增强了模型的鲁棒性和生物学解释性。通过这种方式，MTLGRN为理解基因调控机制提供了新的工具和方法。

细节性解释

启动子序列编码的具体计算

基因生物学特征编码的具体计算