Инференс генных регуляторных сетей (GRN) слишком долго оставался узким местом вычислительной биологии. Пока секвенирование РНК единичных клеток (scRNA-seq) заваливает нас сырыми данными, инструменты их интерпретации раз за разом пасуют в полевых условиях. Как отмечают Цзязе Сун и его коллеги из Пекинского университета и NUDT, проблема в фундаментальном разрыве между академическим лоском и лабораторной практикой. Большинство моделей тренируются в трансдуктивном режиме: они видят все гены еще на этапе обучения. Но исследователю в лаборатории не нужен пересказ прочитанного — ему нужна модель, способная работать в индуктивной среде и предсказывать взаимодействия для генов, которых она никогда не видела.
Деконструкция проблемы: почему лидерборды врут
Пропасть между успехами в бенчмарках и провалами в лаборатории объясняется тем, как мы измеряем прогресс. Стандартные метрики вроде AUROC и AUPRC оценивают общую способность модели к классификации. Однако любому биологу плевать на среднюю точность по всему датасету. Ему нужен крошечный набор высокоточных взаимодействий для экспериментальной проверки. Модель может иметь блестящие показатели «в среднем», но при этом не выводить действительно значимые, проверяемые связи в топ списка. Чтобы исправить это кривое зеркало, команда Суна представила BEELINE-KGC — новый бенчмарк, который переосмысливает инференс генных сетей как задачу индуктивного восполнения графов (Knowledge Graph Completion). Модель больше не «угадывает по шаблону», а расставляет приоритеты так, как это делал бы человек.
«Исследователи ищут малый набор достоверных взаимодействий для экспериментальной валидации, часто затрагивающий ранее не изученные гены».
Такой подход заставляет алгоритмы доказывать свою способность к обобщению на новых модулях, а не просто зазубривать известные паттерны. BEELINE-KGC наглядно демонстрирует: большинство существующих графовых нейросетей (GNN) и автоэнкодеров (GAE) попросту «схлопываются», когда сталкиваются с изолированными, новыми генами, не входившими в исходный тренировочный граф.
Дискретная диффузия и коэволюция генов
Чтобы соответствовать этим жестким стандартам, исследователи разработали CoDiffGRN — первый фреймворк, применяющий коэволюционную дискретную диффузию к генетическим сетям. В отличие от тяжеловесных регрессионных моделей, которые тонут в шуме данных scRNA-seq, CoDiffGRN совместно моделирует дискретные состояния экспрессии генов и регуляторные взаимодействия. Сеть здесь не статичная карта, а динамическая система, где узлы и ребра эволюционируют в связке.
«CoDiffGRN — это первый фреймворк дискретной диффузии, который объединяет биологически когерентные состояния экспрессии и сетевые связи в едином процессе генерации».
В процессе прямой диффузии шум накладывается одновременно на признаки генов и ребра графа, а в обратном — модель учится реконструировать чистый биологический сигнал. Такой коэволюционный метод гарантирует, что предсказанные связи обоснованы конкретными состояниями экспрессии. Для борьбы с вычислительным аппетитом геномики команда внедрила TF-ALL Subgraph Sampling (TASS) — метод сэмплирования, позволяющий эффективно обучаться без потери глобального контекста влияния факторов транскрипции. На тестах BEELINE-KGC модель CoDiffGRN показала результат уровня state-of-the-art, обнаруживая именно те новые взаимодействия, которые другие модели полностью игнорируют.
Переход к индуктивным бенчмаркам знаменует собой финал эпохи «подгонки под ответ». Для R&D-директоров биотех-стартапов это сигнал: текущие пайплайны на базе GAE, скорее всего, значительно переоценивают свою полезность для поиска новых мишеней лекарств. Реальная ценность AI в биоинформатике теперь измеряется не абстрактным AUROC, а способностью предсказать поведение системы в условиях полной неопределенности, когда данных о целевом гене в обучающей выборке просто не существовало.