.png){kind=icon}
返回
Unifying multi-sample network inference from prior knowledge and omics data with CORNETO
.png){kind=icon}
OA
AI
DOI：10.1038/s42256-025-01069-9.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解生物系统需要能够从组学数据中提取可解释见解的方法。网络通过将分子表示为顶点、将它们的相互作用表示为边，提供了一种自然的抽象方法，为构建针对特定条件的上下文特定模型奠定了基础——这是许多生物分析中的关键步骤。大多数现有方法可分为两类：机器学习方法，具有强大的预测能力但缺乏可解释性且需要大型数据集；以及基于知识的方法，更具可解释性但设计用于分析单个样本且难以推广。在此，我们提出CORNETO，一个统一的数学框架，它推广了从组学数据和先验知识中学习生物网络的多种方法。CORNETO利用网络流和结构化稀疏性，将这些方法重新表述为混合整数优化问题，从而实现对多个样本的联合推断。这提高了对共享和样本特异性分子机制的发现，同时产生更稀疏、更可解释的解决方案。CORNETO支持多种先验知识结构，包括无向、有向和带符号的超图。它在一个统一的优化接口内扩展了广泛的方法类别，范围从Steiner树到flux balance analysis。我们展示了CORNETO在多种生物背景下的实用性，包括信号传导、代谢以及与生物信息深度学习的整合。我们提供CORNETO作为开源Python库，用于灵活的网络建模。CORNETO是一个统一的数学框架和软件，它整合先验知识与组学数据，以在多个样本中联合推断上下文特定的信号传导、代谢和蛋白质网络，从而提升可解释性和准确性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
引用论文
How to build the virtual cell with artificial intelligence: Priorities and opportunities如何使用人工智能构建虚拟细胞：优先事项和机遇.png)
CELLOAAI
CELLIF42.5
OAAI分享收藏Assessment of Prediction Uncertainty Quantification Methods in Systems Biology系统生物学中预测不确定性量化方法的评估
OAAI
OAAI分享收藏LIANA plus provides an all-in-one framework for cell-cell communication inferenceLIANA plus为细胞间通信推理提供了一个多功能于一体的框架NATURE CELL BIOLOGYOAAI
NATURE CELL BIOLOGYIF19.1
OAAI分享收藏The scverse project provides a computational ecosystem for single-cell omics data analysisscverse项目为单细胞组学数据分析提供了一个计算生态系统NATURE BIOTECHNOLOGY
NATURE BIOTECHNOLOGYIF41.7
PREAI
分享收藏Probabilistic integrative modeling of genome-scale metabolic and regulatory networks in Escherichia coli and Mycobacterium tuberculosis大肠杆菌和结核分枝杆菌基因组尺度代谢和调控网络的概率整合模型OAAI
OAAI分享收藏
查看更多内容