arXiv cs.AI· Andrzej Mizera, Jakub Zarzycki·· 3 天前AI 评分20
GATTACA：基于图神经网络的强化学习框架用于控制生物网络
Graph Neural Network-Based Reinforcement Learning for Controlling Biological Networks - the GATTACA Framework
AI 导读
研究者提出 GATTACA，一个基于深度强化学习的可扩展计算框架，用于控制布尔网络模型以模拟细胞重编程。该框架将图神经网络与图卷积操作融入 DRL 智能体的动作价值函数近似器，并改进了伪吸引子状态的识别方法。在多个大规模真实生物网络上的实验验证了其可扩展性与有效性。
正文 · AI 翻译
摘要：细胞重编程，即人为地将一种细胞类型转化为另一种细胞类型，因其对复杂疾病的治疗潜力而受到越来越多的研究关注。然而，通过经典湿实验来识别有效的重编程策略受到耗时长、成本高的阻碍。
在本研究中，我们探索使用深度强化学习（DRL）来控制复杂生物系统的布尔网络模型，例如基因调控网络和信号通路网络。我们针对异步更新模式下的布尔网络模型，特别是在细胞重编程的背景下，提出了一个新的控制问题。为了解决该问题，我们设计了 GATTACA，一个可扩展的计算框架。
为了促进我们框架的可扩展性，我们考虑了先前引入的伪吸引子概念，并改进了有效识别伪吸引子状态的过程。然后，我们将带有图卷积操作的图神经网络纳入 DRL 智能体动作价值函数的人工神经网络近似器中。这使我们能够利用关于生物系统结构的现有知识，并间接而有效地将系统建模的动态编码为潜在表示。
在来自文献的若干大规模真实生物网络上的实验证明了我们方法的可扩展性和有效性。
| Subjects: | 机器学习（cs.LG）；人工智能（cs.AI）；分子网络（q-bio.MN） |
| 引用为： | arXiv:2505.02712 [cs.LG] |
| （或使用 arXiv:2505.02712v4 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2505.02712 由 DataCite 提供的 arXiv 颁发 DOI |
提交历史
来自：Andrzej Mizera [查看电子邮件]
[v1]
2025年5月5日星期一 15:07:20 UTC（5,099 KB）
[v2]
2025年5月30日星期五 10:59:25 UTC（203 KB）
[v3]
2025年11月17日星期一 17:35:01 UTC（200 KB）
[v4]
2026年10月11日星期日 20:47:29 UTC（200 KB）
来源：arXiv cs.AI · arxiv.org