基于离散惩罚的动态基因调控网络高效推断
应用统计
2025-08-01 v1 统计计算
其他统计学
摘要
基因调控网络（GRN）编排细胞决策和存活策略。从高维转录组数据推断这些网络的结构是系统生物学的核心挑战。传统的GRN推断方法，如图形Lasso及其联合扩展，依赖于惩罚以诱导出稀疏性，但会偏向网络恢复，并需要 extensive 超参数调谐。本文提出了一种可扩展框架，用于使用离散惩罚进行动态GRN的联合推断，直接且无偏地控制网络稀疏性。依托最新的算法进展，我们高效地求解了面向任意树形超图结构的混合整数优化问题，能够容纳连续和分类的生物学样本区别。经过在合成基准测试上的验证，我们将其应用于来自胶质母细胞瘤（GBM）患者肿瘤的单细胞和空间转录组数据。我们的方法在肿瘤簇之间重建基因网络，沿缺氧梯度图谱网络重塑，并揭示原发性和复发肿瘤之间的特定营养差异。通过提供一种稳健且可解释的GRN推断工具，本工作促进了复杂组织中肿瘤异质性和适应性的高分辨率解剖，具有广泛适用性，可适用于新兴的大规模转录组数据集。
引用
@article{arxiv.2507.23106,
title = {Efficient inference of dynamic gene regulatory networks using discrete penalty},
author = {Visweswaran Ravikumar and Aaresh Bhathena and Wajd N Al-Holou and Salar Fattahi and Arvind Rao},
journal= {arXiv preprint arXiv:2507.23106},
year = {2025}
}