基因调控网络推理的深度概率模型

基因调控网络（GRN）将转录因子（TF）蛋白与其靶基因连接起来，但在实际和方法学限制下，从全基因组数据重建这些网络仍然具有挑战性。许多方法将建模假设与特定的推理过程结合起来，并依赖于启发式模型选择，而评估则受到不完整的参考网络和缺乏不确定性的点估计输出的限制。 GRN 重建还依赖于限制 TF-基因相互作用的先验知识，但可用的先验知识通常依赖于分析，并且难以跨物种和特征较少的系统转移。在本文中，我们开发了两个互补的框架来解决这些限制。首先，PMF-GRN 将 GRN 推理转换为通过变分推理优化的概率图形模型，从而实现有原则的模型选择和不确定性感知边缘估计。在第二个中，GLM-Prior 通过 微调 和预训练的核苷酸 Transformer 解决了先前的瓶颈，直接从核苷酸序列预测 TF 与靶基因的相互作用，同时在酵母、小鼠和人类环境中进行推广。 PMF-GRN 和 GLM-Prior 共同激发了 GRN 重建的双阶段视图，其中序列派生的先验提供了可转移的起始支架，概率推理在不完整的评估资源下通过量化的不确定性完善了监管估计。