CausalODE 通过优化潜在中介动态的因果可达性从单细胞扰动数据推断基因调控网络
Inferring gene regulatory networks from single-cell perturbation data by optimizing causal reach of latent mediator dynamics
论文提出 CausalODE,一个从单细胞扰动数据学习因果基因调控网络的可微框架,显式建模蛋白水平的潜在动态并优化因果可达性指标。
预印本 · biorxiv · 10.64898/2026.11.05.764481
本站摘要基于收录版本 v1(2026-11-07),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
解析基因调控网络的因果结构是理解细胞调控的核心。带有单细胞 RNA 读出的 pooled CRISPR 筛选能够并行测量大量干预的转录后果,为因果发现提供了强大的资源。对每个细胞扰动多个调控因子的组合设计提高了通量,并能揭示单基因扰动所无法呈现的响应。然而,从这些实验中推断因果基因网络仍然充满挑战,因为基因调控相互作用是非线性的、动态的,并且常常涉及反馈。因此,将多个扰动的综合效应归因于单个调控因子依然困难。此外,转录调控最终由蛋白质执行,而单细胞扰动数据集通常只测量 RNA 水平。现有方法往往简化调控动力学,或依赖与基因调控相冲突的假设,例如无环性。而且,当前的评估实践通常依赖表达预测误差,这在真实数据集中易于计算,但未必能反映图的质量。我们需要一种互补的度量,利用真实数据中观测到的扰动响应来评估推断出的调控连接。为了解决这些挑战,我们提出了 CausalODE,一个用于从单细胞扰动数据中学习因果图的可微框架。我们的方法融入了三个核心见解,以改进先前的方法。第一,当某个基因被扰动时差异表达的基因应当位于调控网络中目标基因的下游;我们用一个称为因果可达(causal reach)的度量来量化这一性质。第二,因果相互作用涉及 RNA 转录、剪接和降解中的瞬时细胞响应。第三,基因调控相互作用由蛋白质介导,而蛋白质水平在单细胞 RNA-seq 实验中并未被直接测量。基于这些见解,CausalODE 学习一个能够优化因果可达度量、捕捉对扰动的瞬时细胞响应,并显式建模蛋白质水平潜在动力学的图。这些组件共同支持非线性响应、反馈回路和时滞调控。在具有不同稀疏度和图结构的模拟 Perturb-seq 数据集上,与基线方法和竞争方法相比,CausalODE 在排名靠前的边中提升了 AUPRC 和精确度,同时取得了有竞争力的 AUROC。我们引入了一种度量,通过测量图对单细胞扰动实验中差异表达基因的解释程度,来评估真实数据上推断图的因果可达性。利用该度量,CausalODE 在 CaRPool-seq 敲低数据集上比最强的竞争方法或基线高出约 60%,在 Norman et al. 激活数据集上高出 80%。其排名靠前的边在细胞类型匹配的 ChIP-seq、CollecTRI 和调控性 STRING 高置信度证据上的富集程度总体上高于其他方法。推断出的图还能在留出的扰动对中区分非加性与近似加性的遗传相互作用。最后,消融分析表明,优化因果可达性能够提升在留出扰动上的性能,且学习到的潜在调控因子活性能够追踪模拟的蛋白质动力学,其时间相关性的中位数范围为 0.79 到 0.99。
来源:bioRxiv · biorxiv.org