Arboreto - 基因调控网络推断工具

技能概述

Arboreto 是一个专门用于从基因表达数据推断基因调控网络（GRN）的 Python 库，通过 GRNBoost2 和 GENIE3 算法识别转录因子与靶基因之间的调控关系，支持大规模数据集的分布式并行计算。

适用场景

1. 单细胞 RNA-seq 调控网络分析

当您需要从单细胞测序数据中识别细胞类型特异性的基因调控网络时，Arboreto 能够高效处理数千个细胞和基因的表达矩阵，帮助您揭示不同细胞状态下的转录调控机制。支持稀疏矩阵格式，优化内存使用。

2. 批量 RNA-seq 数据转录因子靶基因预测

针对传统转录组测序数据，Arboreto 可以筛选特定的转录因子列表，预测其潜在靶基因，并通过重要性评分筛选高置信度的调控关系。适用于处理多个实验条件（如对照组、不同处理时间点）的比较分析。

3. 大规模基因网络的分布式计算

当分析数据规模超出单机内存限制或计算资源时，Arboreto 通过 Dask 框架支持本地多核并行和远程集群计算。您可以自定义工作进程数量和内存限制，或连接到现有的 Dask 调度器，实现弹性扩展。

核心功能

1. 双算法支持（GRNBoost2 与 GENIE3）

Arboreto 集成了两种主流的基因调控网络推断算法。GRNBoost2 基于梯度提升树，针对大规模数据集（超过 1 万个观测值）进行了优化，是大多数分析场景的推荐选择。GENIE3 采用随机森林方法，适合算法对比和验证研究。两种算法均支持通过种子参数保证结果可重复性。

2. 灵活的数据格式与输入支持

支持 Pandas DataFrame、NumPy 数组和 SciPy 稀疏矩阵（CSC 格式）作为输入，适应不同的数据预处理流程。对于数组格式输入，可以显式指定基因名称。输出为标准 DataFrame，包含转录因子、靶基因和重要性评分三列，便于下游分析和可视化。

3. 无缝集成 pySCENIC 生态

作为 pySCENIC 的上游依赖，Arboreto 生成的调控网络可直接输入到 pySCENIC 进行 cis-target 基序富集分析和调控单元定义。支持将 AnnData 对象（如 Scanpy 处理后的单细胞数据）转换为 DataFrame 格式，实现分析流程的平滑衔接。

常见问题

Arboreto 适合哪些类型的数据分析？

Arboreto 专门用于转录组学数据的基因调控网络推断，最适用于单细胞 RNA-seq 和批量 RNA-seq 数据。输入数据应该是以基因为列、观测值（细胞或样本）为行的表达矩阵。如果您的数据是蛋白质组、代谢组等其他类型的组学数据，或者表达矩阵的行列转置，Arboreto 可能不是最佳选择。

如何选择 GRNBoost2 和 GENIE3 算法？

对于大多数实际应用，推荐使用 GRNBoost2，因为它在速度和内存效率上表现更好，特别适合包含 10,000 个以上观测值的大规模数据集。GENIE3 适合用于与已有研究结果进行对比验证，或者当您需要使用经典随机森林方法时。两种算法的结果格式一致，可以并行运行后取交集或并集以提高鲁棒性。

Arboreto 对计算资源有什么要求？

Arboreto 的资源消耗取决于数据规模和算法选择。本地运行时会自动使用所有可用 CPU 核心。对于特别大的数据集，建议通过 Dask 配置分布式计算环境。最低要求建议 8GB 内存，处理全基因组单细胞数据时建议 32GB 或更多。如果遇到内存不足的问题，可以通过筛选低方差基因或限制转录因子列表来降低计算复杂度。