基于图神经网络的强化学习控制生物网络 - GATTACA 框架
机器学习
2025-11-18 v3 人工智能
分子网络
摘要
细胞再编程，即将一种细胞类型人工转化为另一种细胞类型的过程，因其治疈复杂疾病的潜力而受到日益关注的注意。然而，通过传统实验室实验识别有效再编程策略受限于时间长期且成本高昂。本研究探索利用深度强化学习（DRL）控制表示复杂生物系统（如基因调控和信号通路网络）的布尔网络模型。我们提出了针对布尔网络模型在非同步更新模式下、特别是细胞再编程情境下的新颖控制问题。为解决此问题，我们设计了可扩展的计算框架 GATTACA。为实现框架的可扩展性，我们考虑前述的伪吸引子概念，并改进了有效识别伪吸引子状态的程序。随后，我们将图神经网络与图卷积运算集成到 DRL 智能体动作价值函数的人工神经网络逼近器中。这使我们能够利用生物系统结构的可用知识，并间接且有效地将系统建模动力学编码到潜在表示中。在来自文献的几个大规模真实生物网络上的实验表明，我们方法的可扩展性和有效性。
关键词
引用
@article{arxiv.2505.02712,
title = {Graph Neural Network-Based Reinforcement Learning for Controlling Biological Networks - the GATTACA Framework},
author = {Andrzej Mizera and Jakub Zarzycki},
journal= {arXiv preprint arXiv:2505.02712},
year = {2025}
}