TxPert：利用生化关系进行超分布转录组扰动预测
机器学习
2025-05-22 v1 定量方法
摘要
准确预测细胞对基因扰动的反应对于理解疾病机制和设计有效的治疗方案至关重要。然而，穷尽探索可能的扰动空间（例如，多基因扰动或跨组织和细胞类型的扰动）代价极高，迫切需要能够对未见情况进行泛化的方法。本文探索了如何利用基因-基因关系的知识图谱来提高超分布（OOD）预测性能，涵盖三个具有挑战性的场景：未见的单一扰动；未见的双重扰动；以及未见的细胞系。具体而言，我们提出了：（i）TxPert，这是一种新的领先方法，利用多个生物学知识网络来预测OOD情景下的转录反应；（ii）对图、模型架构和数据影响进行的深入分析；（iii）扩充的基准框架，强化了对扰动建模的评估标准。
引用
@article{arxiv.2505.14919,
title = {TxPert: Leveraging Biochemical Relationships for Out-of-Distribution Transcriptomic Perturbation Prediction},
author = {Frederik Wenkel and Wilson Tu and Cassandra Masschelein and Hamed Shirzad and Cian Eastwood and Shawn T. Whitfield and Ihab Bendidi and Craig Russell and Liam Hodgson and Yassir El Mesbahi and Jiarui Ding and Marta M. Fay and Berton Earnshaw and Emmanuel Noutahi and Alisandra K. Denton},
journal= {arXiv preprint arXiv:2505.14919},
year = {2025}
}