論文の概要: BRIDGE: Biological Evidence Refinement and Heterogeneous Dynamic Gating for Gene Regulatory Networks

• arxiv url: http://arxiv.org/abs/2606.14734v1
• Date: Tue, 02 Jun 2026 11:54:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.755962
• Title: BRIDGE: Biological Evidence Refinement and Heterogeneous Dynamic Gating for Gene Regulatory Networks
• Title（参考訳）: BRIDGE:遺伝子制御ネットワークのための生物学的エビデンス・リファインメントと不均一動的ゲーティング
• Authors: Ziyang Dong, Shanwen Tan, Hengchuang Yin, Wei Liu, Yifan Wang, Siyu Yi, Jiancheng Lv, Wei Ju,
• Abstract要約: 遺伝子制御ネットワーク(BRIDGE)のためのバイオエビデンス・リファインメントと異種動的ゲーティングという革新的なフレームワークを提案する。 BRIDGEは、発現マトリックスとそのマトリックス双対から遺伝子および細胞表現を抽出し、自己と隣人の間の遺伝子空間と細胞空間においてコントラスト学習を行う。 その後、遺伝子と細胞間の情報伝達を適応的に制御するために異種ゲートエンコーディングを適用し、堅牢な転写因子からターゲットへの遺伝子予測を可能にする。
• 参考スコア（独自算出の注目度）: 25.29216866424431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivation: Gene regulatory network inference from single-cell RNA sequencing (scRNA-seq) data is important for uncovering cell-state-specific transcriptional programs. However, scRNA-seq measurements are sparse and noisy, and experimentally validated TF-target interactions remain limited, making reliable inference challenging. Although graph neural networks have advanced GRN prediction, existing methods often rely on biologically unconstrained graph augmentation, such as random edge perturbation, and insufficiently control information transfer between genes and cells. These limitations may distort regulatory structures and weaken robustness under noisy and weakly supervised settings. Results: To address these issues, we propose an innovative framework named Biological Evidence Refinement and Heterogeneous Dynamic Gating for Gene Regulatory Networks (BRIDGE). BRIDGE extracts gene and cell representations from the expression matrix and its matrix dual, and performs contrastive learning in the gene space and cell space between self and neighbors across the co-expression-refined regulatory view and the original graph. It then applies heterogeneous gated encoding to adaptively regulate information transfer between genes and cells, enabling robust transcription factor-to-target gene prediction. Experiments on benchmark datasets spanning three network types and seven cell types show that BRIDGE achieves state-of-the-art AUROC and AUPRC in most settings. In particular, on Specific networks, BRIDGE improves average AUPRC by 5% over the second-best baseline, GCLink. In cross-cell-type few-shot transfer, BRIDGE consistently outperforms GCLink and GENELink across all six target cell types. A case study on hESC further supports the biological relevance of the predictions, with 9 of the top 10 and 46 of the top 100 novel TF-target interactions validated by ChIPBase.
• Abstract（参考訳）: モチベーション:単一細胞RNAシークエンシング(scRNA-seq)データからの遺伝子制御ネットワーク推論は、細胞状態特異的転写プログラムを明らかにするために重要である。 しかし、scRNA-seq測定は希少でノイズが多く、実験で検証されたTF-ターゲット相互作用は限定的であり、信頼性の高い推論が困難である。 グラフニューラルネットワークは高度なGRN予測を持つが、既存の手法は、ランダムエッジの摂動のような生物学的に制約のないグラフの増大に頼り、遺伝子と細胞間の情報伝達を不十分に制御する。 これらの制限は規制構造を歪め、うるさい環境下で頑丈さを弱める可能性がある。 結果: これらの課題に対処するために, 遺伝子制御ネットワークのための生物エビデンス・リファインメントと異種動的ゲーティング(BRIDGE)という革新的なフレームワークを提案する。 BRIDGEは、発現マトリックスとそのマトリックス双対から遺伝子および細胞表現を抽出し、自己と隣人の間の遺伝子空間と細胞空間において、共存発現制御ビューと原グラフの間でコントラスト学習を行う。 その後、遺伝子と細胞間の情報伝達を適応的に制御するために異種ゲートエンコーディングを適用し、堅牢な転写因子からターゲットへの遺伝子予測を可能にする。 3つのネットワークタイプと7つのセルタイプにまたがるベンチマークデータセットの実験は、BRIDGEがほとんどの環境で最先端のAUROCとAUPRCを達成することを示している。 特に特定ネットワークでは、BRIDGEは2番目に高いベースラインであるGCLinkよりも平均AUPRCを5%改善している。 クロスセル型数ショット転送では、BRIDGEはGCLinkとGENELinkを6つのターゲット細胞タイプすべてで一貫して上回っている。 hESCのケーススタディは、ChIPBaseによって検証された新しいTF-ターゲット相互作用のトップ100のうち、上位10と46のうち9つにおいて、予測の生物学的関連性をさらに支持している。

関連論文リスト

• Prior-Guided Multi-Omic Transformers for Single-Cell Gene Regulatory Network Inference [27.283687143036712]
  遺伝子制御ネットワーク(GRN)は転写因子-標的相互作用を捉え、細胞-状態制御と疾患を理解する中心となる。 EpiAwareNetは、軽量な生物学的事前情報のみを用いて、ペア化された単一セルデータからGRNを再構成する、事前誘導型マルチオミックトランスフォーマフレームワークである。
  論文  参考訳（メタデータ） (2026-05-30T11:49:21Z)
• Multi-Dimensional Spectral Geometry of Biological Knowledge in Single-Cell Transformer Representations [0.0]
  scGPTのような単細胞基盤モデルは高次元の遺伝子表現を学習するが、これらの表現がコードする生物学的知識は未だ不明である。 我々は,ScGPT内部表現の幾何学的構造を63回の自動仮説スクリーニングによって体系的に復号する。 その結果,生物トランスフォーマーは細胞構造の解釈可能な内部モデルを学ぶことが示唆された。
  論文  参考訳（メタデータ） (2026-02-24T17:57:59Z)
• STRAND: Sequence-Conditioned Transport for Single-Cell Perturbations [31.08466183513241]
  STRANDは、制御DNA配列の条件付けによって単一細胞の応答を予測する生成モデルである。 配列による摂動を表現することは、遺伝子識別子の固定セットではなく、訓練中に見えないlociでのゼロショット推論をサポートする。 K562, Jurkat, RPE1細胞におけるCRISPR摂動データセットのSTRANDを評価する。
  論文  参考訳（メタデータ） (2026-02-10T00:57:38Z)
• Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
  scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。 scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-03T16:43:40Z)
• Tensor Network based Gene Regulatory Network Inference for Single-Cell Transcriptomic Data [0.0]
  本研究では、テンソルネットワーク(TN)を利用して表現データを最適にマッピングする量子インスピレーションフレームワークを提案する。 遺伝子依存を定量化し、置換試験により統計的意義を確立する。 量子物理学にインスパイアされた手法と計算生物学を融合することにより,遺伝子制御に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-09-08T17:11:12Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
  単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。 本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。 本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:42:08Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。