GEARSModel {SMRUCC.genomics.Analysis.GEARS.Model}

.NET clr documentation

GEARSModel

Description

GEARS 模型：面向基因表达调控网络虚拟扰动的图神经网络

本类型把 readme 的 Step 2 ~ Step 4 编排为一个可端到端训练的模型：

Step 2 节点特征与扰动编码： h_i^(0) = [ x̄_i ‖ p_i ‖ e_i ‖ z_pert ]， 其中 x̄ 为 control 基线表达（建议先做 Z-score 标准化）、p 为扰动 multi-hot 标记、 e 为可学习的基因身份嵌入、z_pert 为被扰动基因集合经 Deep Sets 均值池化得到的全局扰动向量。 Step 3 多层消息传递：堆叠若干 GEARSConvLayer， 每层沿调控图入边做边类型感知聚合，L 层对应 L-hop 的间接调控效应。 Step 4 解码预测：解码器把最终节点嵌入映射为 Δ表达， 最终预测表达为 x̂^pert = x̄^control + Δx̂。

扰动标记 p 的取值由调用方给出（GEARS 门面类会按 InterventionMode 把被扰动基因的表达值改写后一并编码进 x̄ 通道）， 因此同一个模型可以同时支持单基因与多基因组合扰动。

Declare

            
# namespace SMRUCC.genomics.Analysis.GEARS.Model
export class GEARSModel extends GNNModel {
   # 基因身份嵌入维度
   EmbeddingDim: integer;
   # 初始节点特征的维度：1(表达) + 1(扰动标记) + d(身份嵌入) + d(扰动集合向量)
   FeatureDim: integer;
   # 隐藏层维度
   HiddenDim: integer;
   # 获取最近一次前向传播构建的初始节点特征 [numGenes, FeatureDim]
   LastNodeFeatures: Tensor;
   Name: string;
   # 基因数量（图中节点数量）
   NumGenes: integer;
   # 图卷积层数（对应可捕捉的间接效应跳数）
   NumLayers: integer;
}

        

.NET clr type reference tree

1. this class extends from GNNModel class: GNNModel
2. use by property member LastNodeFeatures: Tensor

---