MIGGRI:一种多实例图形神经网络模型,用于从空间表达图像中推断Drosophila的基因调节网络
Yuyang Huang1, Gufeng Yu1, Yang Yang1
1Department of Computer Science and Engineering, Shanghai Jiao Tong University, and Key Laboratory of Shanghai Education Commission for Intelligent Interaction and Cognitive Engineering, Shanghai, China.
PLoS computational biology
|November 8, 2023
概括
这项研究介绍了MIGGRI,一种使用空间转录学图像和图形神经网络推断基因调节网络 (GRNs) 的新方法. MIGGRI有效地从图像数据中捕捉复杂的基因相互作用,进步我们对生物调节的理解.
科学领域:
- 基因组学和生物信息学
- 系统生物学 系统生物学
- 发展生物学 发展生物学
背景情况:
- 空间转录学为探索基因调节网络 (GRNs) 提供了新的途径.
- 分析大型空间图像集合以进行GRN推断,带来了重大的计算挑战.
- 现有的图形模型很难有效地整合空间表达图像数据.
研究的目的:
- 开发一种可靠的方法来从空间表达图像集合中推断GRNs.
- 为了应对数据复杂性,缺乏监督和基于图像的GRN推理中的多实例学习的挑战.
- 利用多实例图形神经网络 (GNN) 进行增强的GRN发现.
主要方法:
- 提出了一种两阶段的方法,MIGGRI,利用多实例的GNN.
- 使用对比学习从空间表达图像中提取基因调节特征.
- 在GRN推理的提取特征上应用半监督学习.
主要成果:
- MIGGRI在推断Drosophila胚胎发育 (眼睛和中皮) 的GRNs方面表现出色.
- 该方法即使缺少图像信息,也显示出稳定性.
- 可解释性分析揭示了潜在的调节途径和协调的基因调节.
结论:
- MIGGRI有效地从空间表达图像中捕获了全面的监管模式.
- 该方法通过将图像数据与图形神经网络集成来推进GRN推理.
- 这项工作有可能显著提高我们对复杂生物系统中基因调节的理解.
更多相关视频
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
2.2K
10:17Multi-target Chromogenic Whole-mount In Situ Hybridization for Comparing Gene Expression Domains in Drosophila Embryos
Published on: January 31, 2016
11.5K