FluxGAT：整合通量采样与图神经网络以实现无偏基因必需性分类
定量方法
2024-03-29 v2 分子网络
摘要
基因必需性，即特定基因对生物体生存的必要性，对于我们理解细胞过程和识别药物靶点至关重要。通过实验确定基因必需性需要耗时且昂贵的大规模生长筛选，这推动了计算方法的发展。现有方法主要利用通量平衡分析（FBA），这是一种基于约束的优化算法；然而，它们从根本上受限于对预定义细胞目标函数的必要性。这一要求引入了观察者偏差，因为目标函数往往反映研究者的假设而非细胞的生物学目标。在此，我们提出 FluxGAT，一种能够直接从通量采样数据的图表示中预测基因必需性的图神经网络（GNN）模型。通量采样消除了对目标函数的需求，从而消除了观察者偏差。FluxGAT 利用 GNN 在学习代谢反应网络中复杂关系表示方面的独特优势。我们的方法在预测实验确定的基因必需性方面取得了成功，其灵敏度几乎是 FBA 的两倍，并探索了在目标函数较少被理解的情况下预测细胞表型的可能性。因此，我们展示了一种能在更广泛的生物系统和环境中进行更通用基因必需性预测的方法。
引用
@article{arxiv.2403.18666,
title = {FluxGAT: Integrating Flux Sampling with Graph Neural Networks for Unbiased Gene Essentiality Classification},
author = {Kieren Sharma and Lucia Marucci and Zahraa S. Abdallah},
journal= {arXiv preprint arXiv:2403.18666},
year = {2024}
}