用于稳健构建基因调控网络的二次图注意力网络（Q-GAT）
分子网络
2023-11-07 v2 计算工程、金融与科学
摘要
基因调控关系可抽象为基因调控网络（GRN），其在刻画复杂细胞过程与通路中起着关键作用。近来，图神经网络（GNNs）作为一类深度学习模型，已成为从基因表达数据推断基因调控关系的有效工具。然而，人们发现深度学习模型易受噪声影响，这极大阻碍了深度学习在构建GRN中的应用，因为基因表达测量过程中高噪声往往难以避免。我们能否更好地设计出用于构建GRN的稳健GNN？本文通过提出一种具有双重注意力机制的二次图注意力网络（Q-GAT）给出了肯定答案。我们通过引入不同水平的对抗扰动，研究了Q-GAT与9个最先进基线模型的预测精度变化。在E. coli与S. cerevisiae数据集上的实验表明，Q-GAT在鲁棒性上优于最先进模型。最后，我们通过信噪比（SNR）与可解释性分析剖析了Q-GAT鲁棒的原因。前者表明二次神经元的非线性聚合可放大有用信号并抑制无用噪声，从而促成鲁棒性；后者揭示得益于双重注意力机制，Q-GAT在预测中可利用更多特征，这赋予其应对对抗扰动的能力。我们已在 https://github.com/Minorway/Q-GAT_for_Robust_Construction_of_GRN 分享代码供读者评估。
引用
@article{arxiv.2303.14193,
title = {Quadratic Graph Attention Network (Q-GAT) for Robust Construction of Gene Regulatory Networks},
author = {Hui Zhang and Xuexin An and Qiang He and Yudong Yao and Yudong Zhang and Feng-Lei Fan and Yueyang Teng},
journal= {arXiv preprint arXiv:2303.14193},
year = {2023}
}