面向基因调控网络的监督式图对比学习
机器学习
2026-02-20 v5
摘要
图对比学习（GCL）是一种强大的自监督学习框架，通过图扰动进行数据增强，正在在分析生物网络（如基因调控网络，GRN）方面获得广泛应用。常用的人工扰动（如节点删除）会引起结构性变化，可能偏离生物学现实。这一问题促使图表示学习趋势向无扰动方法发展，认为此类结构性变化是需要避免的问题。然而，这一趋势忽略了一个基本洞察：来自生物学有意义扰动的结构性变化并非需要回避的问题，而是一种丰富的信息来源，从而忽略了利用真实生物实验数据的宝贵机会。受此启发，我们提出SupGCL（监督式图对比学习），一种用于GRN的新型GCL方法，直接将来自基因敲降实验的生物学扰动作为监督信息。SupGCL是一种概率公式，不断地对常规GCL进行推广，将人工增强与来自敲降实验中测量的真实扰动联系起来，并将后者作为显式监督。在来自三种癌症类型的患者来源GRN上，我们使用SupGCL训练GRN表示，并在两个体制下进行评估：（i）在嵌入空间分析中，它产生更清晰的疾病亚型结构并改进了聚类；（ii）在特定任务的微调中，它在13项下游任务上 consistently 优于强大的图表示学习基线，这些任务涵盖基因水平的功能注释和患者水平的预测。
引用
@article{arxiv.2505.17786,
title = {Supervised Graph Contrastive Learning for Gene Regulatory Networks},
author = {Sho Oshima and Yuji Okamoto and Taisei Tosaki and Ryosuke Kojima},
journal= {arXiv preprint arXiv:2505.17786},
year = {2026}
}
备注
Preprint