通过具有异质先验的图模型从转录组数据扩展基因调控网络

基因调控网络推断被广泛用于从转录组数据中重建大规模网络并识别功能基因。与此同时，在许多生物学领域中，核心调控基因已被广泛研究，从而建立了小规模基因调控网络，而与这些网络相连接的新基因仍有待识别。然而，相较于重建整个网络，通过识别新的调控相互作用来扩展现有基因网络的方法尚未得到充分建立。 在此，我们提出了一种基因网络扩展方法，该方法整合已知的调控关系，并对每个候选基因进行单独评估，以推断其与现有网络之间的调控连接。利用 DREAM4 基准测试的模拟数据集和 PRECISE-1K 实验数据集，我们的方法通过引入先验知识而优于传统方法。尤其是，该方法提高了区分真实调控相互作用与由现有网络中基因间强相关性所产生的间接关联的能力。对于涉及高出度或高中心性基因的相互作用，该方法同样表现出较强性能。此外，随着现有网络规模的增大，该方法仍能保持稳定性能，并且对先验信息中的噪声具有鲁棒性。这些结果表明，我们的方法通过利用先验知识，为扩展现有基因调控网络提供了一个有效框架。

基因调控网络推断被广泛用于从转录组数据中重建大规模网络并识别功能基因。与此同时，在许多生物学领域中，核心调控基因已得到广泛研究，从而建立了小规模基因调控网络，而与这些网络相连的新基因仍有待识别。然而，与重建整个网络相比，通过识别新的调控相互作用来扩展现有基因网络的方法尚未得到充分建立。

在此，我们提出了一种基因网络扩展方法，该方法整合已知的调控关系，并对每个候选基因进行单独评估，以推断其与现有网络之间的调控连接。利用来自 DREAM4 基准测试的模拟数据集和 PRECISE-1K 实验数据集，我们的方法通过引入先验知识而优于传统方法。特别是，该方法提高了区分真实调控相互作用与由现有网络中基因间强相关性所引起的间接关联的能力。对于涉及高出度或高中心性基因的相互作用，该方法也表现出较强的性能。此外，随着现有网络规模的增加，该方法仍能保持稳定的性能，并且对先验信息中的噪声具有鲁棒性。这些结果表明，我们的方法通过利用先验知识，为扩展现有基因调控网络提供了一个有效框架。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.12.731835v1?rss=1

🏷️ 基因调控网络 转录组数据 图模型 先验知识整合 网络推断