EnsembleRegNet:可解释的深度学习,用于从单细胞RNA序列推断转录网络.
Duaa Mohammad Alawad1, Ataur Katebi2, Md Tamjidul Hoque1
1Department of Computer Science, University of New Orleans, New Orleans, LA, USA.
Computational biology and chemistry
|October 3, 2025
概括
EnsembleRegNet是一个新的深度学习框架,从单细胞RNA测序数据中准确地推断出基因调控网络 (GRNs). 这种方法改进了现有的工具,以了解基因表达和细胞身份.
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:
- 基因调控网络 (GRNs) 对细胞身份和基因表达至关重要.
- 从单细胞RNA测序 (scRNA-seq) 数据中推断GRN结构具有挑战性.
- 现有的方法往往缺乏准确性和解释性.
研究的目的:
- 为GRN推理开发一个强大的和可解释的深度学习框架.
- 为了提高转录因子 (TF) -目标基因关系识别的准确性.
- 为从scRNA-seq数据中推断GRN建立一个新的基准.
主要方法:
- 开发了EnsembleRegNet,这是一个深度学习框架,集成了一组编码器-解码器和MLP.
- 利用基于霍奇斯-莱曼估计器 (HLE) 的二元化和案例删除分析.
- 整合了RcisTarget用于图案丰富和AUCell用于规则活动评分.
主要成果:
- 与SCENIC和SIGNET相比,EnsembleRegNet在模拟和真实scRNA-seq数据集上表现出更高的性能.
- 在GRN推断中实现了更高的准确性和更好的集群性能.
- 成功地发现了特定于细胞类型的监管模块.
结论:
- EnsembleRegNet为转录调节分析提供了一个可扩展和生物基础的框架.
- 为GRN推断提供了增强的稳定性和可解释性.
- 在疾病建模,生物标志物发现和细胞重编程方面显示出应用的前景.


