Die Forschung liefert Einblicke in den Aufbau genregulatorischer Netzwerke

Gene Regulation Networks (GRNs) stellen die Regulierungsmechanismen von Genen in zellulären Systemen als Netzwerk dar und bieten wichtige Erkenntnisse für das Verständnis von Zellprozessen und molekularen Interaktionen, die zelluläre Phänotypen bestimmen. Die Transkriptionsregulation, ein vorherrschender Typ zur Regulierung der Genexpression, beinhaltet die Kontrolle von Zielgenen (TGs) durch Transkriptionsfaktoren (TFs).

Eine der größten Herausforderungen bei der Ableitung von GRNs besteht darin, kausale Beziehungen und nicht nur Korrelationen zwischen den verschiedenen Komponenten des Systems herzustellen. Daher ist es wichtig, Genregulationsnetzwerke aus der Perspektive der Kausalität abzuleiten, um die zugrunde liegenden Mechanismen zu verstehen, die die Dynamik zellulärer Systeme steuern.

Quantitative Biologie hat veröffentlicht ein Ansatz mit dem Titel „Gene Regulatory Network Inference based on Causal Discovery Integrating with Graph Neural Network“, der das Lernen der Graphdarstellung und das kausale asymmetrische Lernen nutzt und dabei sowohl lineare als auch nichtlineare regulatorische Beziehungen berücksichtigt. GRINCD erzielt eine überlegene Leistung bei der Vorhersage der regulatorischen Beziehungen nicht nur von TF-TG, sondern auch von TF-TF, wo verallgemeinerte korrelationsbasierte Methoden nicht erreichbar sind.

GRINCD wendet Ensemble-Lernen an, um die kausale Regulierung jedes Regulator-Ziel-Paares auf der Grundlage des additiven Rauschmodells (ANM) vorherzusagen, das eine qualitativ hochwertige Darstellung für jedes vom Graph Neural Network generierte Gen als Eingabe verwendet.

Insbesondere nutzt GRINCD die Zufallswanderung und die Gradverteilung der Knoten, um Kantenbeschriftungen zu generieren, und leitet sie an einen zweischichtigen GraphSAGE weiter, der mit einem binären Klassifikator verbunden ist, um die Darstellung jedes Knotens zu erhalten.

GRINCD erzielt eine optimale Leistung bei mehreren Datensätzen unter verschiedenen Bewertungsmetriken. Als Anwendung identifiziert GRINCD durch die Analyse der erheblichen Veränderungen in regulatorischen Beziehungen mit dem Fortschreiten der Krankheit entscheidende potenzielle Regulatoren, die den Übergang von Dickdarmentzündung zu Dickdarmkrebs vorantreiben.