arXiv cs.AI· Hang Li, Jiaxin Qi, Yan Cui, Yuhua Zheng, Jianqiang Huang·· 10 小时前AI 评分22
scGPL：融合图学习与成对学习，从 scRNA-seq 数据推断基因调控网络
Bridging Graph and Pairwise Learning for Gene Regulatory Network Inference from scRNA-seq Data
AI 导读
研究提出 scGPL，一个端到端统一框架，联合建模全局调控拓扑与局部相互作用，以弥合图方法与成对方法在基因调控网络推断中的各自局限。该框架从全局调控图提取宏观特征，并引入动态、重要性引导的子图采样机制捕捉细粒度局部依赖。在七个基准数据集上，scGPL 持续达到 SOTA，相较最强基线最高提升 13.7%，代码已在 GitHub 开源。
正文 · AI 翻译
摘要：动机：基因调控网络（GRN）刻画了转录因子（TF）调控基因所依赖的底层相互作用。基于基因表达数据，现有的 GRN 推断方法大致分为两类：基于图的方法，将 GRN 建模为整体图；基于成对的方法，将 GRN 分解为单个 TF-靶基因对进行建模。然而，每种方法都存在局限，而这些局限恰恰是另一种方法的优势所在。基于图的方法由于依赖单一训练图而容易过拟合，而基于成对的方法则受益于丰富的 TF-靶基因训练对。相比之下，基于成对的方法忽略了全局拓扑结构，而该结构对于全面捕捉调控机制至关重要。结果：为解决这些局限，我们提出 scGPL，一个端到端的统一框架，联合建模全局调控拓扑与局部相互作用。scGPL 从全局调控图中提取宏观层面特征，并引入动态的、重要性引导的子图采样机制以捕捉细粒度局部依赖。通过将全局表示与子图增强的局部特征融合，我们的框架弥合了两种范式之间的差距，在纳入必要的全图拓扑依赖的同时，保留了成对方法的数据丰富优势。在七个基准数据集上的大量实验表明，scGPL 始终达到最先进性能，相比最强基线最高提升 13.7%，验证了我们集成设计的有效性。可用性与实现：源代码维护于 GitHub（此 https URL），数据集和带版本号的发布版本归档于 此 https URL 以确保可复现性。
| 评论： | 已被 Bioinformatics 接收 |
| 主题： | 基因组学（q-bio.GN）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.13801 [q-bio.GN] |
| （或 arXiv:2611.13801v1 [q-bio.GN] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13801 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jiaxin Qi [查看邮箱]
[v1]
2026年11月10日星期二 09:34:28 UTC（3,259 KB）
来源：arXiv cs.AI · arxiv.org