利用物理信息神经网络从单细胞数据推断动态基因调控网络
定量方法
2024-01-23 v1 人工智能
机器学习
生物物理
分子网络
摘要
发育生物学的主要目标之一是揭示多能祖细胞稳健分化为精确特化细胞类型背后的基因调控网络 (GRN)。现有大多数从实验数据推断 GRN 的方法预测能力有限，因为推断出的 GRN 仅反映基因表达相似性或相关性。在此，我们展示了如何利用物理信息神经网络 (PINN) 来推断具有预测能力的动态 GRN 的参数，从而提供对生物过程的机制性理解。我们特别研究了表现出分岔行为并因此能够模拟细胞分化的 GRN。我们证明 PINN 在参数推断任务上优于常规前馈神经网络，并分析了两种相关的实验场景：1. 一个有细胞通讯且可获得基因表达轨迹的系统；2. 一个无细胞通讯的细胞群体的快照测量。我们的分析将为未来用 PINN 分析的实验设计提供信息，并为进一步探索这一强大的神经网络模型类别提供了一个起点。
引用
@article{arxiv.2401.07379,
title = {Inference of dynamical gene regulatory networks from single-cell data with physics informed neural networks},
author = {Maria Mircea and Diego Garlaschelli and Stefan Semrau},
journal= {arXiv preprint arXiv:2401.07379},
year = {2024}
}
备注
25 pages, 8 figures