图伪时间分析与神经随机微分方程用于解析视网膜变性动力学及其他
机器学习
2025-02-11 v1
摘要
在分子通路层面理解疾病进展通常需要同时捕捉通路之间的结构依赖性和疾病演化的时间动力学。在这项工作中，我们通过开发一种生物信息引导的图构建方法，有效地为我们新整理的JR5558小鼠转录组学数据集中的受试者构建通路图，从而解决了前一个挑战。然后，我们开发了图级伪时间分析（GPA），以推断揭示疾病在群体层面而非个体受试者层面如何进展的图级轨迹。基于GPA估计的轨迹，我们识别了驱动疾病阶段转换的最敏感通路。此外，我们使用神经随机微分方程（SDE）测量通路特征的变化，这使我们能够正式定义和计算通路稳定性和疾病分岔点（不可逆点），这是疾病进展研究中的两个基本问题。我们进一步将理论扩展到通路可以相互作用的场景，从而能够对疾病表型进行更全面和多方面的表征。全面的实验结果证明了我们的框架在重建通路动力学、识别关键转变以及为疾病演化的机制理解提供新见解方面的有效性。
引用
@article{arxiv.2502.06126,
title = {Graph Pseudotime Analysis and Neural Stochastic Differential Equations for Analyzing Retinal Degeneration Dynamics and Beyond},
author = {Dai Shi and Kuan Yan and Lequan Lin and Yue Zeng and Ting Zhang and Dmytro Matsypura and Mark C. Gillies and Ling Zhu and Junbin Gao},
journal= {arXiv preprint arXiv:2502.06126},
year = {2025}
}