Framework per l'Inferenza di Gene Regulatory Networks (GRN)

Cos'è questo progetto?

Questo progetto cerca di capire chi controlla chi tra i geni. I geni sono come persone in un'azienda: alcuni (chiamati Fattori di Trascrizione o TF) danno ordini, altri (i geni target) ricevono ordini. Il nostro obiettivo è costruire una mappa di chi dà ordini a chi.

Come funziona?

Il framework è diviso in 7 fasi principali:

FASE 0: Caricamento Dati

• Carichiamo i dati dal dataset DREAM5
• Prendiamo le misure di quanto ogni gene è "attivo" (espressione genica)
• Carichiamo i nomi di tutti i geni e quali sono i "capi" (TF)
• Carichiamo le relazioni vere che già conosciamo per fare controlli

FASE 1: Preparazione Dati

• Calcoliamo statistiche utili per ogni gene:
  • Varianza: quanto cambia l'attività del gene
  • Skewness: se il gene è sempre attivo o sempre spento
  • Autocorrelazione: se l'attività è costante nel tempo
• Normalizziamo tutto per mettere i dati sulla stessa scala
• Aggiungiamo un'etichetta che dice se un gene è un "capo" (TF) o no

FASE 2: Costruzione del Grafo

• Costruiamo una rete che collega i geni simili
• Per ogni gene, troviamo i 5 geni che si comportano in modo più simile
• Usiamo due misure di somiglianza:
  • Correlazione di Pearson: se i geni si accendono/spengono insieme
  • Similarità Coseno: se i pattern di attività sono simili
• Calcoliamo quanto ogni gene è "centrale" nella rete

FASE 3: Modello (ResidualGAT)

• Usiamo una rete neurale speciale che sa lavorare con grafi
• Il modello GAT (Graph Attention Network) guarda i geni vicini e decide quali sono più importanti
• Ha due livelli per imparare pattern semplici e complessi
• Produce una "carta d'identità" numerica per ogni gene (embedding)

FASE 4: Predittore di Relazioni (PairwiseMLPDecoder)

• Prende due "carte d'identità" (un TF e un gene normale)
• Le combina e predice se il TF controlla quel gene
• È una rete neurale semplice a 3 livelli

FASE 5: Esempi "difficili"

• Per insegnare meglio al modello, gli diamo esempi difficili
• Trova coppie TF-gene che NON sono collegate ma che potrebbero sembrarlo
• Questo aiuta il modello a non confondersi

FASE 6: Allenamento

• Il modello impara dai dati per 100 epoche
• Ad ogni epoch il modello fa predizioni e vede dove sbaglia
• Corregge i suoi errori e migliora le prestazioni
• Usiamo una "focal loss function" custom che si concentra sugli esempi difficili

FASE 7: Creazione della Mappa Finale

• Il modello crea gli "iperarchi" - gruppi di geni controllati dallo stesso TF
• Per ogni TF, trova tutti i geni che controlla
• Calcola un punteggio di fiducia per ogni predizione

Cosa Produce?

Il risultato finale sono iperarchi:

• Ogni iperarco è un gruppo con 1 TF (il capo) e diversi geni (i subordinati)
• Esempio: {TF_A, Gene1, Gene2, Gene3} significa che TF_A controlla Gene1, Gene2 e Gene3

File Principali

• enhaced_Hygrn_model.py: Contiene tutto il codice del framework
• test_Hygrn_model.ipynb: Notebook per testare il modello
• Cartella Dati/: Contiene tutti i dataset necessari

---

PROBLEMI

Problema (1): Il framework lavora creando in realtà grafi normali da cui poi deterministicamente si estraggono gruppi (iperarchi).

Problema (2) Hard Negative Sampling troppo lento: Per ogni TF, calcola punteggi per TUTTI i geni

Problema (3) Il decoder usa solo una rete neurale semplice che potrebbe non catturare interazioni complesse tra TF e geni.

Problema (4) Le metriche valutano solo coppie TF-gene, non la qualità degli iperarchi.

Possibili miglioramenti

1. Vera gestione di ipergrafi: Usare librerie specializzate come DHG
2. Preprocessing avanzato: Rimuovere outliers e geni con bassa varianza
3. Learning rate scheduling: Adattare la velocità di apprendimento
4. Ensemble methods: Combinare più modelli per risultati migliori