格雷斯:揭示基因调控网络与因果机制图 单细胞RNA测序数据中的神经网络

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 系统生物学 系统生物学

背景情况:

• 从单细胞RNA测序 (scRNA-seq) 数据中重建基因调控网络 (GRNs) 对于理解细胞异质性和命运决定至关重要.
• 现有的机器学习方法往往缺乏因果推理能力,限制了它们的生物解释性.
• 需要的方法可以从scRNA-seq数据中推断基因之间的因果关系.

研究的目的:

• 引入准确性和因果解释的GRN推断 (GRACE),这是GRN推断和基因因果推理的新框架.
• 利用基于图形的因果自编码器,结合结构因果模型 (SCM) 和图形神经网络 (GNN).
• 提高GRN推断的准确性,并使基因调节属性的确定成为可能.

主要方法:

• 开发了基于图形的因果自编码器GRACE,集成了SCM和GNN.
• 显式建模基因之间的因果关系,以学习调控上下文和基因嵌入.
• 根据七个基准数据集对14种最先进的GRN推断方法进行了GRACE的评估.

主要成果:

• 在七个基准标准中,GRACE显著超过了现有的14种GRN推断方法.
• 结合因果机制提高了GRN推断和基因因果关系的准确性.
• 适用于人类外周血液单核细胞 (PBMC) 数据的应用,确定了参与细胞形成和免疫调节的细胞类型特异性调节剂.

结论:

• 从scRNA-seq数据中推断基因调节网络和因果关系,GRACE提供了一个准确和可解释的方法.
• 因果自编码器框架有效地解码基因调控结构和属性.
• 在识别复杂的生物过程中的关键调节者,如免疫反应等方面,GRACE具有实际应用.