迈向通用基因调控网络推断：解锁单细胞基础模型中的可泛化调控知识
机器学习
2026-05-12 v1 人工智能
摘要
基因调控网络（Gene Regulatory Network, GRN）推断对于理解复杂的细胞机制至关重要，而单细胞转录组数据使其变得可行。随着单细胞基础模型（single-cell Foundation Models, scFMs）的出现，增强的转录组编码被广泛预期将彻底改变GRN推断。然而，我们观察到其性能仍远未令人满意。主要原因是标准的基于重建的预训练目标通常无法显式捕获潜在的调控信号。为弥合这一差距，我们首先引入了一个GRN泛化基准，旨在评估对未见基因和数据集的调控预测，该基准依赖于scFMs的零样本能力，对传统方法而言本质上是挑战性的。此外，为解锁基础模型内部的调控知识，我们提出了两种新颖的方法——虚拟值扰动（Virtual Value Perturbation）和梯度轨迹（Gradient Trajectory），将scFMs中的隐式调控信息提炼为高度可泛化的基因间特征。大量实验表明，我们的方法显著优于现有方法，为在通用GRN推断中利用scFMs潜力建立了新范式。
引用
@article{arxiv.2605.08128,
title = {Towards Universal Gene Regulatory Network Inference: Unlocking Generalizable Regulatory Knowledge in Single-cell Foundation Models},
author = {Jiaxin Qi and Hang Li and Yan Cui and Yuhua Zheng and Jianqiang Huang},
journal= {arXiv preprint arXiv:2605.08128},
year = {2026}
}
备注
Accepted to the 43rd International Conference on Machine Learning (ICML 2026)