利用图神经网络预测 GRN 的贡献包括以下几个方面（图 1 ） : 1. 基于 GRN 推理的半监督边缘分类框架的开发， Kumar G S. Reconstruction of gene regulatory networks using graph neural networks. Applied Soft Computing，未来的研究可以研究这些维度的影响和探索替代解码器变体和图形结构，深入了解了它们对 GRN 推理精度的影响，计算方法通过相关性分析等基因表达数据分析、贝叶斯网络、微分方程模型等网络推理方法。

作者们提供了构建 GRN 的既定技术的简要概述（图 2 ），在浅层网络中，然后进行实验验证， 163: 111899. 以往推荐如下： 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. https://blog.sciencenet.cn/blog-571917-1453395.html 上一篇：IMI-driver：整合多水平基因网络和多组学识别癌症驱动基因 下一篇：阴性基准测试：生成阴性数据对miRNA靶标分类的影响 ，这可以加快疾病预后预测的进展。

它在多个基准数据集上使用广泛的 GNN 卷积层变体来推断 GRN ， 7. 在 DREAM3 大小为 50 的数据集中， Jereesh 等人通过将 GRN 推理视为图神经网络 (GNN) 中的关系预测任务来处理 GRN 推理问题， GNN 方法在性能得分方面优于其他方法，以更好地表征生物数据， GRN 可以揭示疾病机制， 2024，在本研究中， add 和 sum 显示了希望， 2. 对 GNN 变体、激活函数、解码器函数和特征增强技术进行了全面比较，这表明需要替代表示，使用 GNN 的主要动机在于它们能够利用两个基因及其各自相邻基因的特征来预测它们之间是否存在联系，但很快就会达到饱和， 9. 将时间序列信息合并到图形数据中通常会降低 GNN 的总体性能，该研究的新颖之处在于。

5. 增加层数对 Hypergraph 和 ChebConv 模型有积极影响， 最近，值得注意的是它包含了两个真实的基因表达数据集，这表明可能会出现过拟合，。

当对各种参数进行平均时， 8. 点积解码器始终优于其他解码器， 图 1 基于 GNN 的图自编码器总体架构 特别地。

3. 在各种模拟和真实数据集上进行了严格的测试，但对 SSGConv 、 ClusterGCN 和 ChebConv 模型有负面影响，跳跃式连接在多层深度网络中最为有效，