利用 PSoup 从多样化先验知识构建机制因果网络：以枝条分枝为例

植物调控网络的机制模型通常需要进行大量参数化，从而限制了其泛化能力和可扩展性。在此，我们提出了一种无参数、由拓扑结构驱动的植株分枝模型，仅根据网络结构预测表型结果。我们通过提炼发表于众多实验室、涉及多个物种、不同年代、数据类型和方法学框架的文献中的调控关系，构建了一个带符号的有向因果网络。该网络提取了系统的基本逻辑，既符合发育生物学推理，又以实证证据为基础。利用能够自动将网络拓扑结构转换为代数方程的 PSoup，该模型在网络中传递信息，并预测相对于既定基线的变化方向，从而体现生物学实验所采用的比较框架。从网络构建、自动生成方程到预测，整个流程均具有透明性和可重复性。模型基于包含78种不同扰动的分枝表型数据进行训练，这些扰动涵盖遗传突变和激素处理；在预测分枝方向方面，模型达到了86%的准确率。在独立测试集中，针对训练过程中未使用的节点测量芽释放和基因表达，模型对84种扰动的预测准确率达到75%。该方法揭示了我们对 SMXL 6/7/8 和 ABA 节点周围网络拓扑结构理解上的不足。其他预测错误主要源于建模选择，例如用于评估某节点相对于基线是否发生变化的阈值。除植株分枝之外，本研究还展示了一种将生物学知识整合为经验证的预测网络的通用策略，为应用育种和基础生物学的发展奠定了基础。

植物调控网络的机制模型通常需要进行广泛的参数化，从而限制了其泛化能力和可扩展性。在此，我们提出了一种无参数、由拓扑结构驱动的茎分枝模型，仅根据网络结构预测表型结果。我们从涵盖众多实验室、物种、年份、数据类型和方法学框架的已发表文献中提炼调控关系，构建了一个有符号的有向因果网络。这一过程提取了系统的基本逻辑，既符合发育生物学推理，也以实验证据为基础。利用能够自动将网络拓扑结构转换为代数方程的 PSoup，该模型在网络中传播信息，并预测相对于既定基线的定性变化方向，从而模拟生物学实验的比较框架。从网络构建、方程自动生成到预测的整个流程均具有透明性和可重复性。模型基于包含78种不同扰动的分枝表型数据进行训练，这些扰动涵盖基因突变和激素处理，最终在预测分枝方向方面达到了86%的准确率。在由84种独立扰动构成的测试集上，针对训练过程中未使用的节点测量芽释放和基因表达，模型的准确率达到75%。该方法揭示了我们对 SMXL 6/7/8 和 ABA 节点周围网络拓扑结构理解上的不足。其他预测错误主要源于建模选择，例如相对于基线判定某一节点发生变化时所采用的阈值。除茎分枝研究外，本研究还展示了一种将生物学知识综合为经验证的预测网络的通用策略，为应用育种和基础生物学的发展奠定了基础。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.07.743620v1?rss=1

🏷️ 植物分枝 机制因果网络 无参数模型 拓扑驱动 PSoup 文献知识整合