Supervised Graph Contrastive Learning for Gene Regulatory Networks¶

会议: ICML2026
arXiv: 2505.17786
代码: https://github.com/shobioinfo/SupGCL （数据集见 Zenodo 15496012）
领域: 计算生物学 / 图对比学习 / 表示学习
关键词: 基因调控网络, 图对比学习, 基因敲低, 监督增广, 癌症亚型

一句话总结¶

把"基因敲低实验"当作监督信号喂给图对比学习，让基因调控网络（GRN）的图增广不再依赖随机扰动而是基于真实生物扰动，在三种癌症的患者特异 GRN 上拿到更清晰的疾病亚型聚类，并在 13 个下游任务上稳定超过现有图表示学习基线。

研究背景与动机¶

领域现状：图表示学习被广泛用于分析基因调控网络（GRN）——节点是基因、边是调控关系。其中图对比学习（GCL）是主力自监督范式，它对同一张图做数据增广得到两个视图，再最大化对应节点表示的相似度。

现有痛点：GCL 在 GRN 上的常规增广（随机删点、删边）会破坏网络结构，尤其可能删掉"主调控因子"（master regulator）这类关键节点，导致学到的表示偏离生物学事实。为了规避这个问题，近期出现一股"免增广"（augmentation-free）潮流（BGRL、SGRL 等），改去扰动模型参数而不动图结构。

核心矛盾：免增广路线把"结构变化"一律当成要躲开的麻烦，于是连带也放弃了一个宝贵机会——真实生物实验（如基因敲低）本身就会产生结构变化，而这些变化不是噪声，是携带调控因果信息的富矿。高通量测序让敲低数据变得容易拿到，却没人把它用进对比学习。

本文目标：让 GCL 的"增广扰动"直接对齐真实的基因敲低扰动，把后者当成显式监督，从而学到生物学上站得住脚的 GRN 表示。

切入角度：基因敲低实验里，抑制某个基因会引发可观测的扰动，得到一张"变化后的 GRN"。如果把这张真实变化后的网络当作"教师"，去约束人工增广该往哪个方向变，就能既保留对比学习的好处、又注入生物先验。

核心 idea：用真实敲低得到的教师 GRN 作监督，提出 SupGCL（监督式图对比学习）——它在概率框架里连续地推广了传统 GCL，把"人工增广"与"真实敲低扰动"挂钩，并证明传统节点级 GCL 只是其一个退化特例。

方法详解¶

整体框架¶

SupGCL 的输入是一张患者特异的 GRN \(\mathcal{G}=(\mathcal{V},\mathcal{E},\bm{X}^{\mathcal{V}},\bm{X}^{\mathcal{E}})\)（节点是基因），以及一组来自真实敲低实验的教师 GRN \(\{\mathcal{H}_a\}_{a\in\mathcal{K}}\)，其中 \(\mathcal{H}_a\) 是敲低第 \(a\) 个基因后观测到的网络。输出是一个共享的图神经网络 \(f_\phi\)，它把任意 GRN 编码成节点表示，供下游做基因级/患者级任务。

整条流水线是：先对原图模拟敲低第 \(a\) 个基因（把该基因的特征及其相连边特征全置零）得到人工增广图 \(\mathcal{G}_a\)；同一个 GNN \(f_\phi\) 分别编码增广图和教师图，得到 \(\bm{Z}^a=f_\phi(\mathcal{G}_a)\) 与 \(\bm{Y}^a=f_\phi(\mathcal{H}_a)\)；然后同时优化两个层面的对比损失——节点级损失（保证同一节点在不同增广下表示一致）和增广算子级损失（让"人工增广该选哪个基因"去对齐教师网络给出的相似度结构）。两者在一个统一的 KL 散度框架下合并为 \(\mathrm{Loss}_{\rm SupGCL}\)。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["患者 GRN 𝒢"] -->|"模拟敲低基因 a<br/>(置零节点+相连边)"| B["人工增广图 𝒢ₐ"]
    A2["真实敲低实验"] --> C["教师 GRN ℋₐ"]
    B --> D["共享 GNN fφ<br/>→ 增广嵌入 Zᵃ"]
    C --> E["共享 GNN fφ<br/>→ 教师嵌入 Yᵃ"]
    D --> F["节点级对比损失<br/>Loss_Node"]
    D --> G["增广算子级对比损失<br/>Loss_Aug：以 Yᵃ 为参考"]
    E --> G
    F --> H["SupGCL 联合损失<br/>(Thm 4.1 分解)"]
    G --> H
    H --> I["训练好的 GRN 表示<br/>→ 13 个下游任务"]

关键设计¶

1. 把基因敲低当增广的监督信号：增广不再是要躲的噪声

针对"随机删点会破坏关键节点、免增广又彻底放弃结构信息"这个两难，SupGCL 的做法是让增广有据可依。它把"敲低第 \(a\) 个基因"形式化为一个确定的增广算子：把第 \(a\) 个基因的节点特征 \(\bm{X}^{\mathcal{V}}_{:,a}\) 以及与它相连的所有边特征都置零，得到 \(\mathcal{G}_a\)；与此同时，真实敲低实验观测到的网络 \(\mathcal{H}_a\) 被当作这一增广的"教师"。换句话说，人工增广模拟的是哪个基因被敲低，就拿同一个基因的真实敲低网络去监督。这一步把"对比学习的增广空间"和"生物实验的扰动空间"对齐起来，是后面所有监督的来源。

2. 增广算子层面的对比损失：让"该选哪个敲低"也变得可学

仅在节点层面对齐还不够——要约束的是"增广操作之间的相似关系"。SupGCL 在整张图的嵌入空间 \(\mathbb{R}^{|\mathcal{V}|\times d}\) 上用 Frobenius 内积定义增广算子的概率分布。教师分布 \(p_\phi(b\mid a)\triangleq \mathrm{softmax}_c\,\big(\mathrm{sim}_F(\bm{Y}^a,\bm{Y}^b)/\tau_{\rm a}\big)\) 由教师嵌入 \(\{\bm{Y}^a\}\) 给出，学习分布 \(q_\phi(b\mid a)\) 则换成增广嵌入 \(\{\bm{Z}^a\}\)，二者由同一个 \(f_\phi\) 参数化。对应损失

\[\mathrm{Loss}_{\rm Aug}\triangleq \frac{1}{|\mathcal{K}|}\sum_{a\in\mathcal{K}} D_{\mathrm{KL}}\big(p_\phi(b\mid a)\,\|\,q_\phi(b\mid a)\big)\]

逼着"人工增广图之间的相似结构"去匹配"真实敲低网络之间的相似结构"。和节点级 GCL 里把参考分布固定成常数（Kronecker delta）不同，这里的参考分布 \(p_\phi\) 是随教师嵌入变化的，因而能自然回避那些会剧烈改变 GRN 结构的基因。注意：单独优化 \(\mathrm{Loss}_{\rm Aug}\) 会塌缩到平凡解（GNN 输出常数时两个分布都变均匀、损失为零），所以它必须和节点级损失配合。

3. 统一概率框架：传统 GCL 成为 SupGCL 的退化特例

为避免上述塌缩，SupGCL 把节点对 \((i,j)\) 与增广对 \((a,b)\) 放进同一个联合分布，在 \(\mathcal{V}\times\mathcal{K}\) 上定义 \(\mathrm{Loss}_{\rm SupGCL}\)。在"节点身份分布与增广分布相互独立"的假设 \(p_\phi(i,j,a,b)=p(i,j)\,p_\phi(a,b)\) 下，定理 4.1 给出干净的分解：

\[\mathrm{Loss}_{\rm SupGCL}=\mathbb{E}_{a,b\sim p_\phi(b|a)\mathrm{U}_{\mathcal{K}}(a)}\big[\mathrm{Loss}_{\rm Node}^{a,b}\big]+\mathrm{Loss}_{\rm Aug}.\]

第一项是节点级 GCL 损失在"监督增广分布 \(p_\phi(b\mid a)\)"下的期望，第二项就是增广算子级损失。这个分解还和具体的节点级模型无关，意味着任何能写成 KL 散度的对比损失都能插进来。更关键的是推论 4.2：当温度 \(\tau_{\rm a}\to\infty\) 时 \(p_\phi(b\mid a)\to\mathrm{U}_{\mathcal{K}}\)，\(\mathrm{Loss}_{\rm SupGCL}\to\mathrm{Loss}_{\rm Node}\)——也就是说传统节点级 GCL 是 SupGCL 在温度趋于无穷时的奇异解，SupGCL 是它的连续推广。此外，独立性假设带来一个实用红利（Remark 4.4）：教师图与目标图的基因集合不必相同，损失依然良定义，因此可以跨不同癌症类型、不同基因规模的 GRN 一起训练。

损失函数 / 训练策略¶

最终就用定理 4.1 给出的合并损失做标准梯度优化训练同一个 GNN \(f_\phi\)。两个温度超参各司其职：\(\tau_{\rm n}\) 控节点级表示学习的锐度，\(\tau_{\rm a}\) 控"跟随教师敲低数据"的强度；\(\tau_{\rm a}\) 越大越退化回普通 GCL。论文还指出，直接去"学习增广函数本身"会让对比学习变成 ill-posed、出现平凡解，所以才采用"教师监督 + 双层损失"这条路线。

实验关键数据¶

主实验¶

在三种癌症（乳腺 Breast、肺 Lung、结直肠 Colorectal）的患者特异 GRN 上评估，分两个机制：(i) 不做任务训练直接看嵌入空间的疾病亚型聚类（NMI/ARI），SupGCL 给出明显更清晰的亚型结构；(ii) 微调后在 13 个下游任务上比较。下游任务含节点级的生物过程分类 BP、细胞组分分类 CC、癌症相关性 Rel，以及图级的生存风险 Hazard（C-index）和亚型分类 Subtype。下表摘取代表性条目（↑ 越大越好）：

任务 (癌症)	w/o-pretrain	GAE	GRACE	SGRL (SOTA)	SupGCL
BP. Lung	0.259	0.247	0.259	0.233	0.282
CC. Breast	0.264	0.250	0.236	0.249	0.291
Rel. Breast	0.573	0.561	0.575	0.580	0.600
Hazard Colorectal	0.621	0.631	0.647	0.616	0.698
Subtype Breast	0.804	0.834	0.841	0.829	0.847

五个基线覆盖四类图表示学习路线外加一个 SOTA 免增广 GCL（SGRL）：w/o-pretrain（不预训练直接监督）、GAE（重构式）、GraphCL（图级 GCL）、GRACE（节点级 GCL）、SGRL（免增广 GCL）。SupGCL 在绝大多数任务上取得最优。

消融 / 机制分析¶

配置	现象	说明
\(\tau_{\rm a}\to\infty\)	退化为 \(\mathrm{Loss}_{\rm Node}\)	推论 4.2：传统节点级 GCL 是奇异特例
仅 \(\mathrm{Loss}_{\rm Aug}\)	塌缩到平凡解	GNN 输出常数即可让损失=0，必须配节点级损失
GraphCL（图级增广）	在 GRN 上掉点最明显	印证"破坏关键节点的人工增广有害"
跨癌症训练	损失仍良定义	Remark 4.4：教师与目标基因集可不同

关键发现¶

增广算子级损失（\(\mathrm{Loss}_{\rm Aug}\)）是注入生物先验的核心，但它不能独立使用——必须靠节点级损失托住，否则塌缩。
图级增广方法（GraphCL）在 GRN 上反而最差，从反面验证了"随机结构扰动会破坏 master regulator"的动机。
温度 \(\tau_{\rm a}\) 是连接"生物保真"与"传统 GCL"的旋钮，提供了从有监督到无监督的连续过渡。

亮点与洞察¶

把"真实生物扰动"从被回避的麻烦重新定义成监督信号，这一视角转换很巧：免增广路线在躲结构变化，SupGCL 反而去拥抱并对齐它。
定理 4.1 的 KL 分解把"节点级 + 增广级"两层损失干净地拆开，且与具体对比损失无关，可即插即用；推论 4.2 进一步把已有方法收编为特例，理论站位漂亮。
Remark 4.4 的独立性假设解除了"教师图与目标图必须同基因集"的限制，使得跨癌症、跨基因规模联合训练成为可能——这个 trick 可迁移到其他"教师/目标图节点集不一致"的图对比场景。

局限与展望¶

方法强依赖能拿到对应基因的真实敲低教师数据 \(\mathcal{H}_a\)；对没有敲低覆盖的基因，监督信号缺失，集合 \(\mathcal{K}\) 受限于实验可得性。
增广算子被简化为"置零节点及其相连边"，是对敲低的粗粒度建模，未必刻画真实敲低引起的下游级联调控变化。
评测集中在三种癌症的患者 GRN 与 13 个任务，提升幅度多为零点几个百分点级别；在更大规模、跨组织的 GRN 上是否同样稳健仍待验证。
论文未在正文展开学习增广函数为何 ill-posed 的完整分析（置于附录），读者需结合附录 L 理解其取舍。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 把基因敲低当 GCL 监督、并证明传统 GCL 是其特例，视角与理论都新。
实验充分度: ⭐⭐⭐⭐ 覆盖 3 癌症 + 13 任务 + 嵌入与微调两机制，但提升幅度偏小、规模有限。
写作质量: ⭐⭐⭐⭐ 概率框架推导清晰，定理/推论层层递进，部分关键分析放在附录。
价值: ⭐⭐⭐⭐ 为"生物实验数据 × 自监督图学习"提供了可迁移的统一范式。