GRN前沿：GNNLink：使用图神经网络从单细胞RNA-seq数据预测基因调控链

1.论文原名：Predicting gene regulatory links from single-cell RNA-seq data using graph neural networks

2.发表日期：2023

摘要：

单细胞RNA测序（scRNA-seq）是在单细胞水平上研究基因表达模式的一种强有力的技术。从scRNA-seq数据推断基因调控网络（GRNs）提供了从基因组水平对细胞表型的深入了解。然而，高稀疏性、噪声和scRNA-seq数据中固有的丢失事件对GRN推断提出了挑战。近年来，实验验证的转录因子与DNA结合的数据急剧增加，使得通过监督方法推断GRNs成为可能。在本研究中，我们将GRN推断问题视为一个图链接预测任务来解决。为此，本文提出了一种新的GNNLink框架，该框架利用已知的GRNs来推断基因之间潜在的调控依赖性。首先，我们对原始的scRNA-seq数据进行预处理。在此基础上，提出了一种基于图卷积网络的交互图编码器，通过捕获网络中节点间的相互依赖关系来有效地细化基因特征。最后，通过对节点特征进行矩阵完备运算，得到GRN的推理结果。从模型训练中获得的特征可以应用于下游任务，例如测量基因对之间的相似性和推断因果关系。为了评估GNNLink的性能，我们使用7个scRNA-seq数据集将其与6种现有的GRN重建方法进行了比较。这些数据集涵盖了不同的基础事实网络，包括功能相互作用网络、功能丧失/功能获得数据、非特异性ChIPseq数据和细胞类型特异性ChIP-seq数据。实验结果表明，GNNLink在这些数据集上取得了较好的性能，展示了其鲁棒性和准确性。此外，我们还观察到在不同规模的数据集上的一致性能。

关键词：图神经网络;链接预测;图卷积网络;基因调控网络

GNNLink框架

1. 问题定义

• 目标：从单细胞 RNA 测序数据中推断基因调控网络（GRNs），即预测基因之间的潜在调控依赖关系。

• 挑战：scRNA-seq 数据具有高稀疏性、噪声和 dropout 事件，这给 GRN 推断带来了困难。

2. GNNLink 框架概述

GNNLink 框架主要包含三个核心部分：

1. 数据预处理：对原始 scRNA-seq 数据进行预处理，提取基因特征。

2. 基于图卷积网络（GCN）的交互图编码器：利用 GCN 捕获基因之间的依赖关系，提取基因特征。

3. 链接预测：通过矩阵补全操作预测基因之间的调控依赖关系。

3.基于图卷积网络（GCN）的交互图编码器

4.链接预测