1.论文原名：Inferring gene regulatory networks from single-cell gene expression data via deep multi-view contrastive learning
2.发表日期：2023
摘要：
基因调控网络（GRNs）的构建对于理解细胞内复杂的调控机制具有重要意义。单细胞RNA测序（scRNA-seq）技术的出现使得能够测量单个细胞的基因表达水平，这促进了单细胞分辨率的GRNs重建。然而，现有的网络推理方法主要针对从单个数据源收集的数据，忽略了多个相关数据源提供的信息。本文提出了一种多视图对比学习（DeepMCL）模型，用于从多个数据源或多个时间点收集的scRNA-seq数据中推断GRNs。首先将每个基因对表示为一组直方图图像，然后引入一个带对比损失的深度连体卷积神经网络来学习每个基因对的低维嵌入。此外，引入注意机制，将不同数据源和不同邻域基因对的嵌入结果进行整合。在人工数据集和真实数据集上的实验结果验证了所提出的对比学习和注意机制的有效性，证明了所提出的模型在整合多个数据源进行GRN推理方面的有效性。
关键词：深度学习，单细胞RNA测序，网络推理，对比学习
DeepMCL框架
数据表示模块
特征提取模块
1. 对比学习框架
DeepMCL模型的核心思想是通过对比学习来区分有调控关系的基因对（正样本）和无调控关系的基因对（负样本）。具体来说，模型通过学习基因对的特征嵌入，使得正样本对的嵌入在特征空间中更接近，而负样本对的嵌入更远离。
2. Siamese卷积神经网络（CNN）
为了实现对比学习，DeepMCL采用了双头Siamese卷积神经网络。Siamese网络是一种特殊的神经网络架构，它包含两个共享权重的子网络（称为“头”），用于处理输入的两组数据。这两个子网络的输出被用来计算对比损失，从而训练网络区分正负样本对。
-
CNN架构：
-
主干网络：采用经典的VGG网络架构作为Siamese网络的主干模型。VGG网络因其简单而强大的卷积层结构而被广泛使用。具体来说，VGG网络包含多个卷积层和池化层，用于提取输入图像的特征。
-
避免退化现象：为了避免使用过深的网络结构导致的退化现象（如梯度消失或梯度爆炸），作者选择了一个较浅的VGG网络变体，而不是使用完整的VGG-16架构。
-
-
输入与输出：
-
输入：对于每对基因，模型输入其在不同数据源中的主图像和邻近图像。
-
输出：每个图像通过CNN网络后，输出一个低维特征嵌入向量。假设输入图像的大小为 32×32，经过CNN网络后，输出的特征嵌入向量大小为512（具体维度取决于网络的设计）。
-
4. 特征提取过程
特征提取模块的整体流程如下：
-
输入图像：对于每对基因 (a,b)，输入其在不同数据源中的主图像和邻近图像。
-
通过Siamese CNN：每个图像通过Siamese CNN网络，输出对应的特征嵌入向量。
-
对比学习训练：使用对比损失函数 Lc 对网络进行训练，使得正样本对的特征嵌入更接近，负样本对的特征嵌入更远离。
-
特征整合：将所有图像的特征嵌入向量整合，为后续的调控交互预测模块提供输入。
调控交互预测模块
-
注意力机制的作用：
-
权重分配：通过学习不同图像的重要性，为每个图像分配不同的权重，从而更好地利用有用信息。
-
减少噪声：忽略那些对调控关系预测贡献较小的图像，减少噪声的影响。
-
