基于联合图学习的预训练单细胞转录组变换器基因调控网络推断
机器学习
2024-07-26 v1 人工智能
摘要
从单细胞RNA测序 (scRNA-seq) 数据推断基因调控网络 (GRN) 是一项复杂挑战，需捕捉基因及其调控相互作用的精妙关系。本研究通过利用基于单细胞BERT的预训练变换器模型 (scBERT)，该模型在大规模未标记 scRNA-seq 数据上训练，用于增强来自现有GRN中编码的结构化生物学知识。我们引入一种新型联合图学习方法，将预训练单细胞语言模型所学习的丰富上下文表示与使用图神经网络 (GNN) 表示的结构化知识相结合。通过整合这两种模态，我们的方法有效地在 scRNA-seq 数据提供的基因表达水平约束与GRN中固有结构化生物学知识之间进行推理。我们在来自BEELINE研究的人源细胞基准数据集上进行评估，数据集包含细胞类型特定的 ground truth 网络。结果表明，我们的方法在当前 SOTA baseline 之上表现卓越，为理解细胞调控机制提供了更深入的认识。
引用
@article{arxiv.2407.18181,
title = {Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning},
author = {Sindhura Kommu and Yizhi Wang and Yue Wang and Xuan Wang},
journal= {arXiv preprint arXiv:2407.18181},
year = {2024}
}
备注
Accepted into the ICML 2024 AI for Science workshop