KINDLE：面向无先验信息的基因调控网络推断的知识引导蒸馏
分子网络
2025-11-25 v2 定量方法
摘要
基因调控网络（GRN）推断是解码细胞决策过程的基石。早期方法仅依赖基因表达数据，因此其预测能力受限于潜在基因间相互作用的庞大组合空间。后续方法整合先验知识以缓解这一挑战，通过限制解空间为生物学上可信的相互作用。然而，我们认为这些方法的有效性取决于先验信息的精确度，并且搜索空间的缩减将限制模型发现新生物学发现的潜力。为此，我们引入KINDLE，一个三阶段框架，将GRN推断与先验知识依赖性分离。KINDLE训练一个教师模型，将先验知识与时序基因表达动力学相结合，然后将其编码的知识蒸馏到学生模型中，使其仅从表达数据进行准确的GRN推断，而无需访问任何先验。KINDLE在四个基准数据集上实现了最先进的性能。值得注意的是，它成功识别了控制小鼠胚胎发育的关键转录因子，并精确描述了它们的功能角色。在小鼠血液干细胞数据中，KINDLE准确预测了在敲除两个关键调节因子（Gata1和Spi1）后的命运转换结果。这些生物学验证表明，我们的方法在保持拓扑推断精度的同时，保留了发现新生物学机制的潜力。
引用
@article{arxiv.2505.09664,
title = {KINDLE: Knowledge-Guided Distillation for Prior-Free Gene Regulatory Network Inference},
author = {Rui Peng and Yuchen Lu and Qichen Sun and Yuxing Lu and Chi Zhang and Ziru Liu and Jinzhuo Wang},
journal= {arXiv preprint arXiv:2505.09664},
year = {2025}
}
备注
39th Conference on Neural Information Processing Systems (NeurIPS 2025)