摘要
从单细胞转录组数据推断基因调控网络（GRNs）对生物发现至关重要，然而现有方法与现实需求存在根本不匹配。研究人员通常希望获得一小组高置信度的调控相互作用以进行实验验证，这些相互作用往往涉及之前未见的基因。然而，当前基准依赖于全局分类指标的传导分割，而主流模型在归纳设置下的泛化能力不足。
为了解决这一问题，我们将GRN推断重新定义为一个归纳的、以排名为中心的图完成问题，并引入 enchmark，一个新的基准，结合归纳基因保留分割和知识图谱完成指标，以更好地评估排名最高的预测。
基于此，我们提出 hemethod，这是首个联合建模生物学上连贯的离散基因表达状态和调控相互作用的联合进化离散扩散框架，旨在实现稳健的归纳泛化和提高顶级调控发现的能力。我们进一步引入TF-ALL子图采样（TASS）以实现可扩展训练。
在 enchmark 上进行的广泛实验表明， hemethod 设立了新的最先进性能，在新型调控发现方面显著超越现有方法，消融研究进一步验证了我们设计的有效性。
博主点评： 本文提出的CoDiffGRN框架通过归纳推断和图完成的方法，显著提升了基因调控网络的推断能力，特别是在未见基因的发现方面。这一创新方法为生物学研究提供了新的视角，期待未来在实际应用中的广泛推广。