Nat. Mach. Intell. 速递：超图因子分解方法用于多组织基因表达插补

关键词：多组织基因表达插补，转录组学，超图，图表示学习，注意力机制，编码器-解码器

论文题目：Hypergraph factorization for multi-tissue gene expression imputation

斑图地址：https://pattern.swarma.org/paper/dd285798-24f5-11ee-931d-0242ac17000d

论文地址：https://www.nature.com/articles/s42256-023-00684-8

多组织插补（Multi-tissue imputation）是转录组学的核心技术之一，用于处理在多组织基因表达数据中的缺失值，进而帮助阐明调节各种发育和生理过程的机制。插补算法利用其他相关组织的信息来预测缺失的基因表达值。例如，如果肝脏组织的基因表达数据中有缺失值，可以使用来自胰腺或肾脏等相关组织的数据来预测这些缺失值。针对基因表达的插补算法，通常涉及到统计模型或机器学习算法，从已知数据中学习基因表达模式，并预测缺失数据。但在计算上，多组织转录组插补具有挑战性，因为数据维度随着基因和组织的规模变化而快速变化，通常导致模型过参数化。

最新发表在 Nature Machine Intelligence 的论文中，作者提出了一种图表示学习方法——HYFA（超图因子分解，hypergraph factorization），用于同时处理来自多个组织和多种细胞类型的基因表达数据，并预测其中的缺失值。该方法在处理大规模基因表达数据时，具有较高的计算效率和准确性。

具体而言，在HYFA中，多组织基因表达被表示为一个由个体（即基因测序生物个体）、元基因（即一组或一类基因的集合）和组织（即基因表达数据的来源部位）构成的超图。其中每个节点代表一个元基因，每个超边（hyperedge）连接到一组元基因节点，代表了一个个体在特定组织中表达的基因集合。使用超图数据结构可以捕捉到基因表达数据中的复杂模式，包括基因之间的相互作用、基因在不同组织中的表达差异，以及不同个体之间的差异，进而为机器学习提供丰富上下文信息。

HYFA架构的关键部分是超图消息传递的神经网络，采用注意力机制，对不同超边赋予不同权重，然后根据权重对超边进行聚合，从而得到每个节点的新的特征表示。这种机制帮助模型确定哪些信息更重要（注意力权重反映了某个节点对其他节点的重要性），从而缓解过度压缩问题，并增强可解释性。

HYFA的另一个重要特性是它并不依赖于具体基因型，而是依赖于基因表达的模式和组织的类型，因此可以支持每个个体收集的不同的组织数量，并且可以利用组织和基因的共享调控结构（即基因/组织/个体关系的先验知识或假设），有效地进行基因表达插补。

HYFA模型还包括一个编码器和一个解码器，编码器负责将输入数据转换为低维隐空间，解码器则将隐空间数据转换回原始高维空间，便于模型处理高维数据。

实验和分析表明，该方法是参数高效的，无需大量参数，可以在较少的数据上进行有效学习。HYFA在处理基因表达数据时，不需要获取个体的基因型信息，同时可以应对数据中每个个体收集的组织数量不同的情况，因此在实际应用中更加灵活。使用HYFA插补的数据集，研究人员可以更有效地识别影响基因表达遗传位点的遗传变异。

此外，HYFA不仅可以用于单个数据集的基因表达插补，还可以用于整合多个组织和/或细胞类型的转录组数据，这有助于构建和利用大规模的转录组生物库。