一种用于可靠基因调控网络推断的因果强化学习框架

《BMC Bioinformatics》：A causal reinforcement learning framework for reliable gene regulatory network inference

　　

摘要

背景

基因调控网络推断对于揭示细胞功能机制以及疾病发生的因果机制至关重要。然而，传统的基于相关性的方法难以确定因果方向，而深度学习方法则缺乏结构可解释性。此外，这两种方法都无法有效应对大规模基因调控网络解空间搜索的问题，因而难以准确捕捉基因间的真实调控模式。本研究提出一种基于因果强化学习的基因调控网络推断方法，以解决上述问题。

结果

在DREAM5数据集以及BEELINE数据库中六种细胞类型的单细胞RNA测序数据集上的实验表明，所提出的方法在推断精度、结构稀疏性以及生物学合理性方面均优于现有的主流基准模型。通过GNNExplainer可解释性分析及KEGG通路富集分析进一步验证后发现，构建的基因调控网络能够明确基因调控中的因果关系，提升结构可解释性，并且在拓扑结构和功能层面都与真实的生物网络及已知生物通路高度一致。

结论

所提出的基于因果强化学习的框架实现了大规模基因网络结构的高效全局优化，且推断出的调控网络具有较高的因果合理性和生物学可解释性。这些结果证明了该方法在系统生物学和计算生物学领域的实际应用具备可行性与有效性，为高维基因表达数据的因果结构建模提供了一种可扩展的方法。