GRAFT: Biological Graph and Hypergraph Benchmarks for Linked Gene Expression and Phenotypic Trait Prediction in Arabidopsis thaliana

GRAFT 技术摘要：生物图与超图基准测试

问题陈述
现代生物学的核心挑战在于绘制生物体的基因组（基因型）与其可观测特征（表型）之间的关系，即基因型-表型（G2P）问题。尽管高通量技术已经产生了大量的多组学数据，但目前的数据集和存储库并不适合进行 G2P 分析。现有的资源通常将数据类型孤立化：有些仅包含图像衍生的表型，有些仅包含基因表达谱，极少有资源能将来自同一标本的基因组与表型数据联系起来。此外，大多数现有基准测试侧重于特定的、同质化的性状，未能捕捉到生物数据的异质性本质（例如，结合形态学、发育学和生理学测量）。这种缺乏集成化、多模态基准数据的现状，阻碍了能够对高维、结构化生物数据进行推理的计算工具的发展，从而难以识别哪些基因控制哪些性状。

方法论
为了填补这些空白，作者引入了 GRAFT（拟南芥功能性状基因-图回归），这是一个经过整理的多模态数据集和基准测试框架。

• 数据集构建： GRAFT 将全基因组基因表达谱与来自相同拟南芥 (Arabidopsis thaliana) 标本的异质表型性状测量值联系起来。

  • 基因组学： 针对 24 株植物（分布在 4 个不同遗传系中的 6 株/系）的 34,123 个转录本的 RNA 测序 (RNA-seq) 数据。
  • 表型组学： 对 77 株植物测量的 41 个表型参数，其中 23 个标本具有完整的配对数据。该基准测试聚焦于代表不同模态的五种性状：叶面积（图像衍生）、花序高度（人工测量）以及通过光谱仪收集的三种光合作用/生理指标（FvP/FmP、qL、叶温差）。
  • 注释： 该数据集包含丰富的基因注释（UID、符号、描述）和基因本体 (GO) 条目。至关重要的是，GO 条目被编码为超边 (hyperedges)，其中每个超边连接一组参与特定生物功能的基因，从而形成超图结构。

• 建模方法： 本研究对在多输出目标 ($f: \mathbb{R}^G \to \mathbb{R}^T$) 下的回归模型进行了基准测试，旨在从基因表达预测性状。

  • 预处理： 通过两阶段基因过滤（方差和 Spearman 相关性）将维度降低至前 1,024 个基因，以防止数据泄露。
  • 基准模型： 研究比较了三类模型：
    1. MLP： 密集前馈神经网络。
    2. 图神经网络 (GCNs)： 利用基于 WGCNA 的拓扑重叠矩阵 (TOM) 来定义成对的基因共表达边。
    3. 超图神经网络 (HGNNs)： 利用 GO 条目注释来定义超边，捕捉参与共享生物过程的基因之间的 n 元关系。
  • 可解释性： 该框架采用 SHAP (GradientSHAP) 进行特征重要性分析，并使用图解释器（如 GNNExplainer）进行子图提取。

• 评估指标：

  • 预测准确度： 通过分层 K 折交叉验证下的均方根误差 (rMSE) 进行衡量。
  • 生物学解释召回率 (BER)： 一种新颖的指标，用于评估模型识别出的前 $k$ 个基因是否能恢复已知的、与性状相关的 GO 条目（通过超几何富集检验）。
  • DEG 重叠： 模型解释的基因与独立衍生的差异表达基因 (DEG) 列表之间的统计显著性 ($-\log_{10}$ p-value)。

关键结果

• 预测性能： 在所有五种性状和交叉验证设置下，HGNNs 的表现一致优于 MLP 和 GCNs。例如，实现最低 rMSE 的 HGNN（使用 UniGAT）在叶面积 (0.961) 和花序高度 (0.999) 上均优于 MLP (1.058, 1.051) 和 GCNs (1.197, 1.338)。
• 解释保真度：
  • BER 分数： HGNNs 展示了显著高于 GCNs 和 MLPs 的生物学解释召回率。对于光合作用相关性状，HGNNs 的 BER 随 $k$ 值增加而单调递增，而 GCNs 在较低的 $k$ 值时 BER 接近于零，这表明其解释在生物学上是弥散的。
  • DEG 重叠： HGNNs（特别是 HConv）与独立 DEG 列表显示出极强的显著重叠（p 值范围为 5.4 至 28.4），而 GCNs 和 MLPs 的重叠度则较低或不显著。
• 解释： 结果表明，虽然密集回归 (MLP) 和成对图结构 (GCN) 可以获得中等的预测准确度，但它们无法产生与已知生物学相一致的解释。通过超图（GO 条目分组）提供的结构先验对于生成具有生物学解释性的基因集至关重要。

意义与主张
作者声称 GRAFT 是第一个提供来自相同拟南芥 (Arabidopsis thaliana) 标本的关联多模态基因信息和异质表型数据的数据集。其主要意义在于：

1. 弥合数据鸿沟： 它解决了结合了来自同一个体的基因组和表型谱的基准测试资源的匮乏问题，从而实现了直接的基因型到表型建模。
2. 验证结构先验： 该工作证明，将生物学知识（通过超图）直接整合进模型架构中，可以获得纯数据驱动方法在如此小样本量下无法复制的可解释性提升。
3. 促进 G2P 研究： 通过提供公开数据集、基准任务和解释框架，GRAFT 旨在降低机器学习和生物学界应对 G2P 挑战的门槛，特别是在辅助识别对植物育种和性状预测至关重要的基因方面。

局限性
作者承认，较小的样本量（24 个关联标本）限制了绝对回归性能和统计效力。此外，该数据集是针对拟南芥的，这些模型的迁移性到其他作物或物种仍是一个开放性问题。最后，BER 指标受限于基因本体注释的完整性和当前状态。