对全基因组的调节动态进行生物学信息的NeuralODEs

科学领域:

• 计算生物学 计算生物学
• 系统生物学 系统生物学
• 生物信息学是一种生物信息学.

背景情况:

• 使用普通微分方程 (ODEs) 的基因调节网络 (GRN) 模型解释了基因表达动态,但在准确编码GRN和非线性关系方面面临挑战.
• 现有的ODE估计方法往往缺乏生物洞察力或施加限制性假设,限制可扩展性和可解释性.

研究的目的:

• 开发一种新的建模框架,PHOENIX,用于学习生物可解释和可扩展的基因调节ODEs.
• 通过结合先前的生物学知识和约束来克服当前方法的局限性.

主要方法:

• 菲尼克斯利用神经普通微分方程 (NeuralODEs) 与希尔-朗穆尔动力学相结合.
• 该框架将用户定义的先前知识和系统生物学功能形式纳入软约束.
• 它促进GRN ODE的稀疏和生物可解释的表示.

主要成果:

• 菲尼克斯在中表现出精度,超过了现有的几种工具.
• 该框架成功地模拟了来自同步酵母细胞的振荡基因表达特征.
• 通过对乳腺癌和B细胞的基因组规模GRNs进行建模,PHOENIX显示了可扩展性.

结论:

• 菲尼克斯有效地整合了生物学"第一原则",作为预测基因表达模式的软约束.
• 该框架为GRN建模提供了一种生物可解释的方法.
• 菲尼克斯为复杂的GRN分析提供灵活,准确和可扩展的解决方案.