基准GRN推断
评估Meta-TGLink在标准GRN推断任务上的性能，并与现有方法比较。
使用A375、A549、HEK293T和PC3四个细胞系数据集，采用AUROC和AUPRC指标评估，与9种基线方法比较。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
用于少样本基因调控网络推断的结构增强图元学习
Structure-enhanced graph meta learning for few-shot gene regulatory network inference
实验完整度
中包含四个细胞系基准测试、TF冷启动、跨细胞系、跨物种实验及消融研究，但未涉及湿实验。
主要模型
A375细胞系 A549细胞系 HEK293T细胞系 PC3细胞系
重点核对
基准GRN推断中，Meta-TGLink的平均AUROC提升26.0%（A375）、42.3%（A549）、25.9%（HEK293T）、34.2%（PC3） TF冷启动零样本设置下，平均AUROC为0.686（A549）和0.626（HEK293T） 跨细胞系实验中，Meta-TGLink始终优于基线的AUROC和AUPRC 跨物种实验中，mESC与人类细胞系重叠基因数为1120，高于mHSC-E的915
摘要
推断基因调控网络（GRNs）对于理解生物调控至关重要。尽管已有大量深度学习方法用于GRN推断，但大多数需要大量标记数据。我们提出了Meta-TGLink，一种用于少样本GRN推断的结构增强图元学习模型。通过将GRN推断表述为链接预测任务，Meta-TGLink捕获可迁移的调控模式，同时减少对大量标记数据集的依赖。该模型结合图神经网络与Transformer架构以整合关系信息和位置信息，从而在数据稀缺条件下提高预测性能。在真实数据集上的实验证明了其相对于最先进基线的优越性，尤其是在跨领域少样本场景中。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何从有限的标记数据中准确推断基因调控网络，特别是在数据稀缺的少样本场景下？
- 核心机制
- 通过元学习捕获跨任务可迁移的调控模式，结合Transformer和GNN扩展感受野，并利用位置编码模块整合度中心性和PageRank分数。
- 主要证据
- 在4个人类细胞系基准测试中，Meta-TGLink在AUROC和AUPRC上优于9种基线；在TF冷启动和跨域少样本实验中表现最佳。
- 研究意义
- 为数据稀缺条件下的GRN推断提供了通用框架，支持跨细胞类型和跨物种泛化，有助于生物学发现。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
TF冷启动推断
测试对未表征TF调控关系的推断能力，分为少样本和零样本设置。
在A549和HEK293T上，针对孤立TF进行少样本和零样本推断，与4种基线比较。
跨细胞系泛化实验
评估跨细胞系知识迁移能力，在少量已知调控关系下推断目标细胞系GRN。
每个细胞系作为源，其余作为目标，采用类似微调流程，比较AUPRC。
跨物种泛化实验
评估跨物种知识迁移能力，使用小鼠数据集作为源，人类细胞系作为目标。
使用mESC和mHSC-E作为源，人类细胞系作为目标，比较AUROC和AUPRC。
训练策略消融实验
评估增强元训练策略相对于标准MAML和常规训练策略的有效性。
比较Meta-TGLink、Meta-TGLink-MAML和TGLink在四个细胞系数据集上的性能。
真实应用验证
验证模型在推断未表征TF调控关系中的生物学相关性。
使用Meta-TGLink预测A549中GATA2、STAT3和SP1的靶基因，并利用ChIP-Atlas和GO富集分析验证。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据预处理 | L1000平台 | -- | -- |
| BEELINE | -- | -- | |
| CORN | -- | -- | |
| ChIP-Atlas | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 基准GRN推断 | 数据集划分比例：训练、验证、测试各占60%、20%、20%；硬负采样策略，正负样本1:1 阅读提示：Methods: Datasets and data processing |
| TF冷启动推断 | 划分比例：3:1:1（训练:验证:测试），确保TF互斥；零样本设置无微调 阅读提示：Methods: Datasets and data processing; Results: TF cold-start |
| 跨细胞系实验 | 源细胞系和目标细胞系的选择；每个目标细胞系使用的已知调控交互数量 阅读提示：Methods: Meta-task construction; Results: Cross-cell line |
| 跨物种实验 | 源小鼠细胞类型和人类目标细胞系；重叠基因列表；数据预处理步骤（log转换、基因过滤、高度可变基因选择） 阅读提示：Methods: Datasets and data processing; Results: Cross-species |