Les réseaux de régulation génétique (GRN) décrivent les mécanismes de régulation des gènes au sein des systèmes cellulaires sous forme de réseau, offrant des informations essentielles pour comprendre les processus cellulaires et les interactions moléculaires qui déterminent les phénotypes cellulaires. La régulation transcriptionnelle, un type répandu de régulation de l’expression des gènes, implique le contrôle des gènes cibles (TG) par des facteurs de transcription (TF). L’un des principaux défis liés à l’inférence des GRN est d’établir des relations causales, plutôt qu’une simple corrélation, entre les différentes composantes du système. Par conséquent, déduire les réseaux de régulation génétique du point de vue de la causalité est essentiel pour comprendre les mécanismes sous-jacents qui régissent la dynamique des systèmes cellulaires.
Récemment, Biologie quantitative a publié une approche intitulée « Gene Regulatory Network Inference based on Causal Discovery Integrating with Graph Neural Network », qui exploite l’apprentissage de la représentation graphique et l’apprentissage asymétrique causal tout en prenant en compte les relations de régulation linéaires et non linéaires. GRINCD atteint des performances supérieures dans la prédiction des relations régulatrices non seulement de TF-TG mais également de TF-TF, là où les méthodes généralisées basées sur la corrélation sont inaccessibles.
GRINCD applique l’apprentissage d’ensemble pour prédire la régulation causale de chaque paire régulateur-cible sur la base d’un modèle de bruit additif (ANM) qui prend en entrée une représentation de haute qualité pour chaque gène généré par Graph Neural Network. Plus précisément, GRINCD utilise la marche aléatoire et la distribution des degrés des nœuds pour générer des étiquettes de bord et les transmet à un GraphSAGE à deux couches connecté à un classificateur binaire pour obtenir la représentation de chaque nœud. GRINCD atteint des performances optimales sur plusieurs ensembles de données selon diverses mesures d’évaluation. En tant qu’application, en analysant les modifications substantielles des relations régulatrices avec la progression de la maladie, GRINCD identifie des régulateurs potentiels cruciaux qui conduisent la transition de l’inflammation du côlon au cancer du côlon.
