时序图学习在预测生物系统动力学中的应用

生物基础模型通过直接将变换器架构应用于基因表达矩阵，展示了在单细胞表征学习中取得的显著性能。然而，这些方法主要 operate 在静态环境中，未明确建模发育程序在细胞中的时间演化。对建模这种动力学至关重要，以理解细胞状态如何在发展或疾病进展期间逐渐显现、分化并重新组织。在本工作进展论文中，我们研究了一种替代性时序图基视角，其中将细胞状态通过伪时间分辨的基因调控网络表示，并建模为持续基因身份下演化的图结构。我们从单细胞转录组数据开始，推断伪时间轨迹，将细胞离散为发育快照，重建每个快照的一个基因调控网络，并应用时序图神经网络预测生物状态。我们在两个公开可用的小鼠发育数据集上评估了该框架：血红蛋白原化和胰腺内分泌发生，其中考虑了三个互补任务：基因表达预测、链路预测和出度中心度预测。我们的结果表明，图基模型在已知的基础模型如 scGPT 和 scFoundation 方面表现更好，表明显式建模演化的调控结构在静态预训练表征之外提供了有用的信息。对于链路预测和中心度预测，时序图学习捕捉非平凡的调控动力学，使我们能够识别在时序上具有重要性的基因枢纽。总体而言，我们的发现支持时序图学习作为建模动态生物系统的有前景的方向，以及作为当前单细胞生物学中基础模型方法的互补范式。