迈向通用基因调控网络推理：解锁单细胞基础模型中的通用调控知识

基因调控网络 (GRN) 推断对于理解复杂的细胞机制至关重要，通过单细胞转录组数据使其易于处理。随着单细胞基础模型 (scFM) 的出现，增强的转录组编码被广泛认为将彻底改变 GRN 推理。然而，我们观察到他们的表现仍远不能令人满意。主要原因是基于标准重建的 预训练 目标通常无法明确捕获潜在的监管信号。为了弥补这一差距，我们首先引入了 GRN 泛化基准，旨在评估对不可见基因和数据集的监管预测，该基准依赖于 SCFM 的零样本能力，并且对传统方法来说具有固有的挑战性。此外，为了解锁基础模型中的监管知识，我们提出了两种新方法：虚拟值扰动和梯度轨迹，将 scFM 中的隐含监管信息提炼成高度可概括的基因间特征。大量实验表明，我们的方法明显优于现有方法，为利用 scFM 在通用 GRN 推理中的潜力建立了新的范式。