GRAFT：拟南芥中基因表达与表型性状关联预测的生物图与超图基准

# GRAFT：用于拟南芥关联基因表达与表型性状预测的生物图与超图基准
来源：https://arxiv.org/html/2606.27413
Manuel Serna-Aguilera¹,⁶, Vanshika Jindal², Fiona L. Goggin², Jiamei Li², Aranyak Goswami³, Alexander Bucksch⁴, Suxing Liu⁵, Khoa Luu¹,⁶, 
¹ 阿肯色大学电气工程与计算机科学系，阿肯色州 
² 阿肯色大学昆虫学与植物病理学系，阿肯色州 
³ 阿肯色大学动物科学系，阿肯色州 
⁴ 亚利桑那大学植物科学学院，图森，亚利桑那州 
⁵ 佐治亚州立大学，佐治亚州 
⁶ CVIU实验室，阿肯色大学，阿肯色州 
\{mserna, vjindal, fgoggin, jxl080, garanyak, khoaluu\}@uark.edu [email protected] [email protected]

###### 摘要

理解生物体中哪些基因控制哪些性状仍是生物学的核心挑战之一。尽管数据采集技术取得了显著进步，我们将基因映射到性状的能力仍然有限。这一基因组到表型组（G2P）挑战跨越多个问题领域，包括植物育种，并且需要能够对高维、异构且具有生物学结构的数据进行推理的方法。然而，当前的数据集和数据存储库对此任务准备不足。现有研究并未将基因表达与性状数据关联起来，而且大多关注非常特定的性状，限制了可能相关性的广度。为填补这一空白，我们提出了新型基因图回归拟南芥功能性状（GRAFT）数据集，这是一个精心整理的多模态数据集，将拟南芥（植物生物学中的模式生物）的基因表达谱与表型性状测量相关联。GRAFT支持表型预测和可解释图学习等任务。此外，我们基准测试了传统的回归和可解释基线，包括一个基于生物学的超图基线，以验证基因-性状关联。据我们所知，这是首个为同一拟南芥样本提供多模态基因信息和异构性状或表型数据的公共数据集。借助GRAFT¹¹¹所有基准资源将在接收后公开。，我们旨在推动利用基因信息、高阶基因配对以及多来源性状数据准确理解基因型与表型之间关系的研究。

## 1 引言

在个体基因组的数千个基因及其表现的数百个性状（从身高到健康状况）中，哪些基因控制哪些性状？这个问题的答案对于几乎所有的应用生命科学——从作物改良到动物育种和医学药物开发——都至关重要。不幸的是，由于数据分析的限制，我们提供答案的能力仍然相当有限。解码生物体遗传构成（即其基因组）与其性状（即其表型组——不同表型总和）之间的关系，需要识别连接多个高维且异构数据集的复杂模式。然而，目前缺乏促进计算工具开发的基准数据集，尤其在植物科学领域。这阻碍了植物育种者满足日益增长的全球粮食需求以及应对新出现的病虫害和干旱的努力。

先前工作的局限性。破解“基因组到表型组”（G2P）挑战的研究越来越依赖高维且异构的数据，以尽可能捕获单个样本基因组和表型组的多个不同方面。植物表型组数据通常特征较少，但高度异构，从形状和大小的图像到发育的人工观察，再到光合作用等过程的分光光度测量。结合来自不止一种“组学”方法（即多组学）的数据，在将基因与特定表型（可观察性状）联系起来方面，比任何单一组学方法都更有效M. Minervini, A. Fischbach, H. Scharr, and S. A. Tsaftaris (2016) (https://arxiv.org/html/2606.27413#bib.bib94);59 (https://arxiv.org/html/2606.27413#bib.bib95);68 (https://arxiv.org/html/2606.27413#bib.bib96);D. Ward, P. Moghadam, and N. Hudson (2019) (https://arxiv.org/html/2606.27413#bib.bib97);71 (https://arxiv.org/html/2606.27413#bib.bib98);5 (https://arxiv.org/html/2606.27413#bib.bib99);U. Seren, D. Grimm, J. Fitz, D. Weigel, M. Nordborg, K. Borgwardt, and A. Korte (2017) (https://arxiv.org/html/2606.27413#bib.bib100);58 (https://arxiv.org/html/2606.27413#bib.bib101)。尽管如此，不同类型的植物组学数据被隔离在单独的存储库中，如表1 (https://arxiv.org/html/2606.27413#S2.T1)所示，并且缺乏将同一批个体的基因组和表型组数据结合起来进行相关性分析的综合数据集。由于缺乏这样的基准数据，机器学习社区未能跟上分析多组学数据的挑战。尽管生物学文献中关于能够推断组学数据样本间相关性的人工智能模型有很多讨论Cavil et al. (2015 (https://arxiv.org/html/2606.27413#bib.bib81)); Cembrowska-Lech et al. (2023 (https://arxiv.org/html/2606.27413#bib.bib82)); Demidchik et al. (2020 (https://arxiv.org/html/2606.27413#bib.bib83)); Yang et al. (2021 (https://arxiv.org/html/2606.27413#bib.bib84)); Gao et al. (2023 (https://arxiv.org/html/2606.27413#bib.bib85)); Depuydt et al. (2023 (https://arxiv.org/html/2606.27413#bib.bib86)); Yan and Wang (2023 (https://arxiv.org/html/2606.27413#bib.bib87)); Zhang et al. (2022 (https://arxiv.org/html/2606.27413#bib.bib88)); Ali and Mohammed (2023 (https://arxiv.org/html/2606.27413#bib.bib89)); Bai et al. (2024 (https://arxiv.org/html/2606.27413#bib.bib90))，但这样的模型似乎并不存在。因此，急需能够将基因表达映射到异构表型同时支持可解释性研究的生物学知情模型。

问题动机。为填补这两个领域的知识空白和局限性，我们提出了基因图回归拟南芥功能性状（GRAFT），这是一个包含链接到同一样本的基因组（基因测量）和表型组（性状）数据的公共数据集，特别针对基础或“模式”物种拟南芥。为了超越基因到性状的回归，GRAFT将每个基因映射到数千种生物功能。与其他数据集相比，如表1 (https://arxiv.org/html/2606.27413#S2.T1)所示，GRAFT不仅提供了基因表达的链接测量，还提供了通常在整个研究中检查的许多其他性状。为了构建生物学知情的基线，我们使用生物学知情的图和超图来表示基因间的n阶关系。我们首先基准测试了回归模型，然后与我们的生物学专家团队一起，探索了SHAPley加法解释（SHAP）Lundberg and Lee (2017 (https://arxiv.org/html/2606.27413#bib.bib22))、图解释Ying et al. (2019 (https://arxiv.org/html/2606.27413#bib.bib24)); Luo et al. (2020 (https://arxiv.org/html/2606.27413#bib.bib25)); Zhang et al. (2024 (https://arxiv.org/html/2606.27413#bib.bib28))，并与生物学专家合作，构建了一个旨在帮助生物学家从数百或数千个基因中缩小候选基因范围的管道。这样的框架有助于降低劳动成本，并帮助植物育种工作专注于一小部分重要基因。

本工作贡献。我们总结本文的贡献如下：
(i) 我们贡献了新型GRAFT数据集，这是一个关联基因表达和性状数据的集合。
(ii) GRAFT额外提供了连接所有基因的基因和生物功能注释，我们可以将其解释为超图。
(iii) 我们提供了基线回归方法可解释性的见解，包括我们提出的生物学解释召回率（BER）指标的定量评估，以及专家讨论。
(iv) 我们将公开发布我们的数据和解释框架，以促进进一步应对G2P挑战的研究。

## 2 背景与相关工作

表1：公开可用数据集或数据存储库的比较，与我们的数据集——GRAFT相比，它们缺乏多样化的多组学组件。GRAFT包含基因级别和异构表型级别信息，而其他常见数据集和存储库则没有。蓝色对号✓表示数据集包含相应的测量类型，✗表示不包含。请参阅图说明。

图1：非异构表型组数据对下游任务带来的问题。(a) 模型M₁在训练于基因集\{v₁, …, vN\}上的同质图像衍生表型，因此无法推理其他表型。这是当前数据集和基准的内在局限性。(b) 情况下的M₂遭受与M₁类似的局限性，(c) 中的M₃也是如此。(d) 借助GRAFT提供的表型广度，M₄学习将基因与样本的异构性状相关联。请放大并彩色查看以获得最佳效果。

### 2.1 模式植物拟南芥

拟南芥，通常称为鼠耳芥或拟南芥，是一种模式植物，就像大鼠和小鼠是帮助我们了解人类健康的“模式物种”一样。拟南芥被广泛用于研究重要作物，如玉米和水稻Woodward and Bartel (2018 (https://arxiv.org/html/2606.27413#bib.bib71))。拟南芥相对较小的基因组和较短的生命周期在过去几十年中促进了大量研究进展，使得该物种成为本工作的自然选择。在生物学研究中，通常研究突变变异体，通常称为基因型“品系”，其中至少有一个基因发生突变，导致某些生物功能的改变，从而激发了多组学研究Cavil et al. (2015 (https://arxiv.org/html/2606.27413#bib.bib81)); Cembrowska-Lech et al. (2023 (https://arxiv.org/html/2606.27413#bib.bib82))。

### 2.2 多组学分析与组学数据集现状

“组学”或“多组学”数据指的是来自生物体不同生物系统的测量数据Cavil et al. (2015 (https://arxiv.org/html/2606.27413#bib.bib81)); Cembrowska-Lech et al. (2023 (https://arxiv.org/html/2606.27413#bib.bib82))。转录组学测量基因表达模式，RNA测序（RNA-seq）技术使科学家能够量化几乎所有基因的表达Mansoor et al. (2025 (https://arxiv.org/html/2606.27413#bib.bib74))。基因组学是研究给定生物体或生物群落内基因组的结构、功能和进化Heavey et al. (2022 (https://arxiv.org/html/2606.27413#bib.bib80))。表型组学测量可观察的性状（第3节 (https://arxiv.org/html/2606.27413#S3)中的例子）。组学数据为研究人员提供了关于哪些基因在发育阶段或响应特定环境刺激时被激活的见解。现代研究对多组学数据感兴趣，因为它们提供了更全面的基因和性状图景，如图1 (https://arxiv.org/html/2606.27413#S2.F1)所示。Cembrowska等人Cembrowska-Lech et al. (2023 (https://arxiv.org/html/2606.27413#bib.bib82))以及许多综述Demidchik et al. (2020 (https://arxiv.org/html/2606.27413#bib.bib83)); Yang et al. (2021 (https://arxiv.org/html/2606.27413#bib.bib84)); Gao et al. (2023 (https://arxiv.org/html/2606.27413#bib.bib85)); Depuydt et al. (2023 (https://arxiv.org/html/2606.27413#bib.bib86)); Yan and Wang (2023 (https://arxiv.org/html/2606.27413#bib.bib87)); Zhang et al. (2022 (https://arxiv.org/html/2606.27413#bib.bib88)); Ali and Mohammed (2023 (https://arxiv.org/html/2606.27413#bib.bib89)); Bai et al. (2024 (https://arxiv.org/html/2606.27413#bib.bib90))进一步提供了对组学研究的见解。

虽然高通量组学技术已显著改进，但大多数现有数据集未能提供关联的多组学数据，迫使研究在有限的数据上操作Cheng et al. (2021 (https://arxiv.org/html/2606.27413#bib.bib76)); Flood et al. (2016 (https://arxiv.org/html/2606.27413#bib.bib73)); Ubbens and Stavness (2017 (https://arxiv.org/html/2606.27413#bib.bib75))。主要存储库（表1 (https://arxiv.org/html/2606.27413#S2.T1)）通常只包含表型数据或表达数据，但很少同时包含两者。一些数据集只提供图像衍生数据M. Minervini, A. Fischbach, H. Scharr, and S. A. Tsaftaris (2016) (https://arxiv.org/html/2606.27413#bib.bib94);59 (https://arxiv.org/html/2606.27413#bib.bib95);68 (https://arxiv.org/html/2606.27413#bib.bib96);D. Ward, P. Moghadam, and N. Hudson (2019) (https://arxiv.org/html/2606.27413#bib.bib97);71 (https://arxiv.org/html/2606.27413#bib.bib98)，或表型测量5 (https://arxiv.org/html/2606.27413#bib.bib99);U. Seren, D. Grimm, J. Fitz, D. Weigel, M. Nordborg, K. Borgwardt, and A. Korte (2017) (https://arxiv.org/html/2606.27413#bib.bib100)，或光合数据58 (https://arxiv.org/html/2606.27413#bib.bib101)，或基因级别数据30 (https://arxiv.org/html/2606.27413#bib.bib102);64 (https://arxiv.org/html/2606.27413#bib.bib103);R. Edgar, M. Domrachev, and A. E. Lash (2002) (https://arxiv.org/html/2606.27413#bib.bib105);63 (https://arxiv.org/html/2606.27413#bib.bib104);69 (https://arxiv.org/html/2606.27413#bib.bib106);E. Huala, A. W. Dickerman, M. Garcia-Hernandez, D. Weems, L. Reiser, F. LaFond, D. Hanley, D. Kiphart, M. Zhuang, W. Huang, L. A. Mueller, D. Bhattacharyya, D. Bhaya, B. W. Sobral, W. Beavis, D. W. Meinke, C. D. Town, C. Somerville, and S. Y. Rhee (2001) (https://arxiv.org/html/2606.27413#bib.bib107);T. Coxe, D. J. Burks, U. Singh, R. Mittler, and R. K. Azad (2024) (https://arxiv.org/html/2606.27413#bib.bib108)。这些数据集都没有关联多组学数据。相比之下，我们的GRAFT数据集通过提供完整的基因表达谱与丰富的表型性状配对，直接支持基因型到表型建模，从而填补了这些空白。这使我们的数据集成为开发可扩展、可集成的机器学习方法的宝贵基准。表1 (https://arxiv.org/html/2606.27413#S2.T1)中数据集的详细信息在附录中提供。

### 2.3 图与超图建模

图卷积网络（GCNs）Bronstein et al. (2017 (https://arxiv.org/html/2606.27413#bib.bib3))将简单图（由节点特征和连接节点对的边列表表示）作为输入，并通过某种消息传递聚合策略（如图卷积Kipf and Welling (2017 (https://arxiv.org/html/2606.27413#bib.bib5)); Defferrard et al. (2017 (https://arxiv.org/html/2606.27413#bib.bib4)); Morris et al. (2021 (https://arxiv.org/html/2606.27413#bib.bib6))、图注意力Veličković et al. (2018 (https://arxiv.org/html/2606.27413#bib.bib7))或Transformer算子Shi et al. (2021 (https://arxiv.org/html/2606.27413#bib.bib8))产生节点交互的嵌入。此类网络还可以编码其他类型的数据，如图像Han et al. (2022a (https://arxiv.org/html/2606.27413#bib.bib11))或场景图Nguyen et al. (2024b (https://arxiv.org/html/2606.27413#bib.bib51), a (https://arxiv.org/html/2606.27413#bib.bib50))。最近，大型语言模型与知识图谱结合的使用日益增多，以基于大规模数据库提供有依据的响应Choi et al. (2023 (https://arxiv.org/html/2606.27413#bib.bib13)); Sun et al. (2024 (https://arxiv.org/html/2606.27413#bib.bib14)); Chen et al. (2024 (https://arxiv.org/html/2606.27413#bib.bib15))，或