BoYueGRN：通过对合成结构因果模型进行摊销推断，从单细胞转录组中零样本发现有向基因调控网络

传统上，基于单细胞RNA测序（single-cell RNA-seq, scRNA-seq）的基因调控网络（gene regulatory network, GRN）推断依赖于针对每个数据集分别进行优化。现有工具必须针对每个新数据集重新拟合，而且其中大多数无法推断因果性的调控方向。在此，我们提出BoYueGRN——一种摊销式因果发现框架，其训练完全基于10,000个合成结构因果模型。对于任何未见过的数据集，仅需一次前向传播即可输出边概率和调控方向；同时，以转录因子（TF）为中心的滑动窗口结合非对称融合策略，将这一固定尺寸模型扩展至全转录组覆盖。BoYueGRN在BEELINE基准测试中展现出强大的零样本性能。在两项独立的全基因组CRISPRi Perturb-seq筛选中，其在保留边上的方向准确率分别达到0.86和0.95。对五种疾病中超过270,000个细胞的细胞类型特异性和阶段特异性GRN动态进行重建，产生了可通过实验验证的生物学假设。BoYueGRN将有向GRN推断重构为一种“一次训练、跨数据集复用”的范式。通过将网络重建与针对每个数据集的优化相解耦，这一范式为在人体疾病中系统性、图谱尺度地描绘调控动态打开了大门。

传统上，基于单细胞RNA测序（single-cell RNA-seq, scRNA-seq）的基因调控网络（gene regulatory network, GRN）推断依赖于针对每个数据集分别进行优化。现有工具必须针对每个新数据集重新拟合，而且其中大多数无法推断因果性的调控方向。在此，我们提出BoYueGRN——一种仅基于10,000个合成结构因果模型训练得到的摊销式因果发现框架。对于任何未见过的数据集，只需一次前向传播即可返回边概率和调控方向；同时，以转录因子（TF）为中心的滑动窗口结合非对称融合策略，使这一固定输入规模的模型能够扩展至全转录组范围的覆盖。BoYueGRN在BEELINE基准测试中表现出强大的零样本性能。在两个相互独立的全基因组CRISPRi Perturb-seq筛选中，其在保留边上的方向准确率分别达到0.86和0.95。对五种疾病中超过270,000个细胞的细胞类型特异性和阶段特异性GRN动态进行重建，产生了可通过实验检验的生物学假设。BoYueGRN将有向GRN推断重构为一种“一次训练、跨数据集复用”的范式。通过将网络重建与针对每个数据集的优化过程解耦，这一范式为在人类疾病中系统性地、以图谱尺度绘制调控动态打开了大门。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.15.745056v1?rss=1

🏷️ 单细胞转录组 基因调控网络 因果发现 摊销推断 零样本学习 Perturb-seq