简读分享 | 乔剑博 编辑 | 陈兴民
论文题目
Graph attention network for link prediction of gene regulations from single-cell RNA-sequencing data
论文摘要
动机： 单细胞RNA测序（scRNA-seq）数据为以精细分辨率重建基因调控网络（GRN）提供了前所未有的机会。目前已经提出了许多无监督或自监督模型来从大量RNA序列数据推断GRN，但在低信噪比和丢失的情况下，很少有模型适用于scRNA序列数据。幸运的是，TF-DNA绑定数据的激增（例如ChIP seq）使得有监督的GRN推断成为可能。作者将监督GRN推理视为一个基于图的链接预测问题，它期望学习基因低维矢量化表示，以预测潜在的调控相互作用。 结果： 在本文中，作者提出了GENELink，以利用图形注意网络推断GRN中转录因子（TF）和靶基因之间的潜在相互作用。GENELink将观察到的TF基因对的单细胞基因表达投射到低维空间。然后，通过优化嵌入空间，学习特定的基因表示，以服务于成对基因的下游相似性度量或因果推断。与现有的八种GRN重建方法相比，GENELink在七个scRNA序列数据集和四种类型的地面真值网络上取得了相当或更好的性能。作者进一步将GENELink应用于人类乳腺癌转移的scRNA序列，揭示原发肿瘤和肺转移之间Notch和Wnt信号通路的调节异质性。此外，独特肺转移GRN的本体丰富结果表明，线粒体氧化磷酸化（OXPHOS）在癌转移级联的种子阶段具有重要的功能，这一点已通过药理学分析得到验证。
论文链接
https://academic.oup.com/bioinformatics/article/38/19/4522/6663989
