近日，清华大学交叉信息研究院的曾坚阳研究组与北京大学马剑竹课题组、索尔克生物研究所、加利福尼亚大学、上海交通大学合作，首次将基因调控网络显式的引入单细胞RNA测序 (scRNA-seq) 数据建模中，其效果在调控网络预测、scRNA-seq数据低维嵌入、scRNA-seq数据模拟生成等任务中优于现有方法。该成果论文”Modeling Gene Regulatory Networks Using Neural Network Architectures” 发表于 Nature Computational Science 期刊。

基因调控网络(Gene Regulatory Network, GRN)是研究细胞分化、细胞重编程中的关键问题。近年来，已有工作将统计学方法、自回归机器学习算法应用于这一领域，但这些算法在预测准确性上仍然存在提升空间。随着深度学习在因果推断中的应用，研究人员提出了DeepSEM模型，通过设计GRN layer 和 Inverse GRN layer，首次将深度学习应用于基因调控网络的预测，提高了基因调控网络预测的准确度。

与此同时，基因调控网络作为每一类细胞特有的性质，却被绝大部分scRNA-seq低维嵌入模型所忽视。在本项研究中，研究人员利用GRN layer 和Inverse GRN layer，将被预测的基因调控网络显式引入scRNA-seq 低维嵌入中。在聚类和可视化任务中，DeepSEM在基准数据集上优于现有方法的效果。与此同时，研究人员还进一步将DeepSEM模型应用于scRNA-seq数据模拟生成，在提出的GRN一致性指标上高于现有scRNA-seq 数据模拟生成方法。

DeepSEM模型框架图

此项研究工作巧妙地将基因调控网络预测和scRNA-seq数据建模进行结合，实现了一个模型、多个用途，为将来scRNA-seq数据分析和计算方法研究提供了新的思路和切入点。

该成果论文第一作者为清华大学交叉信息院2018级博士生束晗涛，共同通讯作者为北京大学人工智能研究院马剑竹副教授、清华大学交叉信息研究院曾坚阳副教授。该研究得到了国家自然科学基金、南京图灵人工智能研究院的支持。

论文链接：https://www.nature.com/articles/s43588-021-00099-8