GPO-VAE：利用 GRN 对齐参数优化建模可解释的基因扰动响应
机器学习
2025-02-03 v1 人工智能
摘要
动机：预测细胞对基因扰动的响应对于理解生物系统和开发靶向治疗策略至关重要。尽管变分自编码器（VAEs）在建模扰动响应方面展现出潜力，但其有限的可解释性构成了重大挑战，因为学习到的特征通常缺乏明确的生物学意义。然而，模型可解释性是生物 AI 领域最重要的方面之一。实现可解释性最有效的方法之一是在设计 VAEs 等深度学习模型时引入基因调控网络（GRNs）的概念。GRNs 揭示了基因之间潜在的因果关系，能够解释由基因扰动处理引起的转录响应。结果：我们提出 GPO-VAE，一种通过 GRN 对齐参数优化增强的可解释 VAE，它在潜在空间中显式地建模基因调控网络。我们的核心方法是将与潜在扰动效应相关的可学习参数向 GRN 对齐的可解释性方向进行优化。在扰动预测上的实验结果表明，我们的模型在多个基准数据集上预测转录响应达到了 SOTA 性能。此外，在评估 GRN 推断任务上的附加结果揭示了与其他方法相比，我们的模型具有生成有意义 GRNs 的能力。根据定性分析，GPO-VAE 具备构建与实验验证的调控通路相一致的生物学可解释 GRNs 的能力。GPO-VAE 可在 https://github.com/dmis-lab/GPO-VAE 获取
引用
@article{arxiv.2501.18973,
title = {GPO-VAE: Modeling Explainable Gene Perturbation Responses utilizing GRN-Aligned Parameter Optimization},
author = {Seungheun Baek and Soyon Park and Yan Ting Chok and Mogan Gim and Jaewoo Kang},
journal= {arXiv preprint arXiv:2501.18973},
year = {2025}
}