GRNFormer：用于将基因调控网络整合到 RNA 基础模型中的生物学指导框架
机器学习
2025-03-04 v1
摘要
单细胞 RNA 测序 (scRNA-seq) 的基础模型已显示出捕获基因表达模式的有前景的能力。然而，当前方法面临关键局限：它们忽略了编码在基因调控关系中的生物学先验知识，未能利用可提供补充调控见解的多组学信号。本文提出了 GRNFormer，一个系统性地将从多组学数据推断的多尺度基因调控网络 (GRN) 整合到 RNA 基础模型训练中的新框架。我们的框架引入了两个关键创新点：首先，我们引入了一个用于构建层次化 GRN 的管道，捕获细胞类型特异性和细胞特异性分辨率上的调控关系。其次，我们设计了结构感知的整合框架，通过两个技术进步来解决 GRN 中信息的非对称性：(1) 使用多头跨注意力的图拓扑适配器来动态加权调控关系，(2) 一种新的边缘扰动策略，通过生物学信息的共表达链接来扰动 GRN，以增强图神经网络训练。我们在三个代表性下游任务上进行了全面实验，以Demonstrate GRNFormer有效性。它在 state-of-the-art (SoTA) 基准上实现了持续的改进：药物反应预测相关性提高 3.6%，单细胞药物分类 AUC 提升 9.6%，基因扰动预测准确率平均提升 1.1%。
引用
@article{arxiv.2503.01682,
title = {GRNFormer: A Biologically-Guided Framework for Integrating Gene Regulatory Networks into RNA Foundation Models},
author = {Mufan Qiu and Xinyu Hu and Fengwei Zhan and Sukwon Yun and Jie Peng and Ruichen Zhang and Bhavya Kailkhura and Jiekun Yang and Tianlong Chen},
journal= {arXiv preprint arXiv:2503.01682},
year = {2025}
}