רשתות וויסות גנים (GRNs) מתארות את מנגנוני הרגולציה של גנים בתוך מערכות סלולריות כרשת, ומציעות תובנות חיוניות להבנת תהליכי תאים ואינטראקציות מולקולריות הקובעות פנוטיפים תאיים. ויסות שעתוק, סוג נפוץ לוויסות ביטוי גנים, כולל בקרה של גני מטרה (TGs) על ידי גורמי שעתוק (TFs). אחד האתגרים העיקריים בהסקת GRNs הוא לבסס קשרים סיבתיים, ולא רק קורלציה, בין המרכיבים השונים של המערכת. לכן, הסקת רשתות ויסות גנים מנקודת מבט של סיבתיות חיונית להבנת המנגנונים הבסיסיים השולטים בדינמיקה של מערכות סלולריות.
לאחרונה, ביולוגיה כמותית פרסמה גישה בשם "Gene Regulatory Network Inference based on Causal Discovery Integrating with Graph Neural Network", הממנפת למידת ייצוג גרף ולמידה א-סימטרית סיבתית תוך התחשבות בקשרים רגולטוריים ליניאריים ולא ליניאריים כאחד. GRINCD משיג ביצועים מעולים בחיזוי הקשרים הרגולטוריים של לא רק TF-TG אלא גם TF-TF, כאשר שיטות מבוססות מתאם כלליות אינן ניתנות להשגה.
GRINCD מיישמת למידה אנסמבלית כדי לחזות את הרגולציה הסיבתית של כל זוג מווסת-מטרה בהתבסס על מודל רעש נוסף (ANM) אשר לוקח ייצוג באיכות גבוהה עבור כל גן שנוצר על ידי Graph Neural Network כקלט. באופן ספציפי, GRINCD משתמש בהליכה אקראית והפצת דרגות של צמתים כדי ליצור תוויות קצה ומזין אותן ל-GraphSAGE דו-שכבתי המחובר למסווג בינארי להשגת הייצוג של כל צומת. GRINCD משיג ביצועים אופטימליים במספר מערכי נתונים תחת מדדי הערכה שונים. כיישום, באמצעות ניתוח השינויים המהותיים ביחסים הרגולטוריים עם התקדמות המחלה, GRINCD מזהה מווסתים פוטנציאליים חיוניים המניעים את המעבר מדלקת המעי הגס לסרטן המעי הגס.
