基于双通道融合图卷积网络的单细胞基因调控网络重建与关键调控因子识别

背景与目标：基因调控网络由转录因子及其靶基因之间复杂的调控关系构成。系统性理解这些调控关系，对于解析生理和病理条件下细胞状态转变所依据的分子机制至关重要。单细胞表达数据能够揭示细胞类型特异性的转录调控，近年来也已发展出计算方法，利用单细胞转录组学数据和先验调控知识推断基因调控网络。然而，现有方法无法挖掘表达相关性与先验调控知识中的共性信息和特异性信息，这可能对预测性能产生不利影响。 方法：我们提出了一种基于单细胞RNA测序数据推断基因调控网络的新方法。该方法由双通道图神经网络和一个权重共享的公共图神经网络组成，能够有效融合先验调控知识与基因共表达模式。此外，我们在所提算法基础上构建了一个新的计算框架，将差异基因表达谱与调控变化相整合，以识别区分不同细胞状态的关键调控因子。 结果：实验结果表明，我们的方法在多个数据集上显著提高了调控推断的准确性，优于其他最先进的方法。我们的方法还表现出对噪声和缺失数据的鲁棒性。对两个单细胞表达数据集的分析表明，所提框架有助于识别参与肿瘤转移和耐药性的关键调控因子。 结论：这些结果表明，所提方法能够通过重建单细胞基因调控网络并识别不同细胞状态间的关键调控因子，推动对疾病潜在生物学机制的理解。

背景与目的：基因调控网络由转录因子及其靶基因之间复杂的调控关系构成。系统地理解这些调控关系对于揭示生理和病理条件下细胞状态转换所依赖的分子机制至关重要。单细胞表达数据能够揭示细胞类型特异性的转录调控，近年来也已发展出多种计算方法，利用单细胞转录组学数据和先验调控知识推断基因调控网络。然而，现有方法无法挖掘表达相关性与先验调控知识中的共性信息和特异性信息，这会对预测性能产生不利影响。方法：我们提出了一种基于单细胞RNA测序数据推断基因调控网络的新方法。该方法由双通道图神经网络和一个权重共享的公共图神经网络组成，从而能够有效融合先验调控知识与基因共表达模式。此外，我们基于所提出的算法构建了一个新的计算框架，整合差异基因表达谱和调控变化，以识别区分不同细胞状态的关键调控因子。结果：实验结果表明，我们的方法在多个数据集上显著提高了调控推断的准确性，优于其他最先进的方法。我们的方法还表现出对噪声和缺失数据的鲁棒性。对两个单细胞表达数据集的分析表明，所提出的框架有助于识别参与肿瘤转移和耐药性的关键调控因子。结论：这些结果表明，所提出的方法能够通过重建单细胞基因调控网络并识别不同细胞状态下的关键调控因子，推动对疾病相关生物学机制的理解。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.05.730394v1?rss=1

🏷️ 单细胞RNA测序 基因调控网络 图卷积网络 转录因子 关键调控因子 多模态融合