Inferring Gene regulatory networks using Graph Neural Networks

Abstract: Inom beräkningsbiologin är det snabbt på väg att bli allt vanligare att ta fram genetiska regleringsnätverk (GRN). På grund av storleken på de undersökta nätverken använder många forskare maskininlärning för att härleda GRN från genuttrycksdata, vanligtvis från RNA-seq. Noggrannheten hos sådana moderna metoder kan dock fortfarande förbättras, särskilt när det gäller tidsseriemodellen. I den här forskningen föreslås två tidsseriemodeller för GRN-inferens: GATv2-regressionsmodell och GATv2-länkprediktionsmodell. Den förstnämnda modellen är baserad på idén om en konventionell GRN-inferensmodell som regresserar målgenuttrycksdata med hjälp av data om kandidatkontrollgener. Den senare modellen bygger på den vanliga länkprediktionsmetoden med hjälp av grafiska neurala nätverk som utför binariseringen av om det finns kanter mellan specifika genknutpunkter. GATv2-regressionsmodellen presterar bra i en regressionsuppgift. Noggrannheten för GRN-inferensen är dock låg och var nästan densamma som en slumpmässig utgång. Å andra sidan presterar GATv2-modellen för prediktion av länkar bra om träningsdata är tillräckligt korrekta. Att härleda genreglerande relationer med hög uppskattningsnoggrannhet är dock fortfarande en utmaning inom området GRN-inferens även för partiella genreglerande relationer. Av den anledningen har modellens noggrannhet minskat betydligt på grund av behovet av större noggrannhet i träningsdata.