使用图形神经网络从单细胞RNA-seq数据中预测基因调节链接.
Guo Mao1, Zhengbin Pang1, Ke Zuo1
1Science and Technology on Parallel and Distributed Processing Laboratory, National University of Defense Technology, deya, 410073 Changsha, China.
Briefings in bioinformatics
|November 20, 2023
概括
本研究介绍了GNNLink,这是一个新的框架,用于从单细胞RNA测序 (scRNA-seq) 数据中推断基因调控网络 (GRNs). GNNLink有效地解决了数据挑战,提高了GRN推断的准确性和稳定性.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 可以在单个细胞水平上进行基因表达分析.
- 从scRNA-seq数据中推断基因调节网络 (GRNs) 对于理解细胞功能至关重要,但由于数据稀疏和噪声而受到阻碍.
- 由于大量的转录因子结合数据,GRN推断的监督方法越来越可行.
研究的目的:
- 开发一个新的框架,GNNLink,用于从scRNA-seq数据中准确地推断基因调节网络.
- 为解决GRN重建的scRNA-seq数据中稀疏性,噪声和脱落事件的挑战.
- 为了利用图形链接预测和图形卷积网络来增强GRN推断.
主要方法:
- scRNA-seq数据的预处理.
- 使用基于网络的图形卷积交互图形编码器,通过捕捉网络相互依赖来完善基因特征.
- 在GRN推理的节点特征上使用矩阵完成.
- 将GRN推理作为图形链接预测任务的框架.
主要成果:
- 在七个不同的scRNA-seq数据集中,GNNLink表现出与六种现有的GRN重建方法相比具有相似或优异的性能.
- 该框架在各种基础真相网络类型 (功能互动,LoF/GoF,ChIP-seq) 中显示出强度和准确性.
- 在不同尺度的scRNA-seq数据集中观察到一致的性能.
结论:
- GNNLink提供了一种强大而准确的方法,用于从具有挑战性的scRNA-seq数据中推断基因调控网络.
- 开发的方法可以应用于下游任务,如测量基因对相似性和推断因果关系.
- 该框架的有效性在多个数据集中得到验证,突出了其对生物发现的潜力.
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
08:16Fluorescence-Activated Nuclei Negative Sorting of Neurons Combined with Single Nuclei RNA Sequencing to Study the Hippocampal Neurogenic Niche
Published on: October 20, 2022
3.0K
