近日，信息学院唐明靖教授团队在人工智能领域国际顶级期刊IEEE Transactions on Neural Networks and Learning Systems（IEEE TNNLS）上发表题为“Motif-Based Hypergraph Representation Learning: Transductive and Inductive Inference for Gene Regulatory Networks”的最新研究成果。

基因调控网络是理解生命系统转录调控机制的重要基础，在疾病机制解析、肿瘤发生研究和精准医学中具有重要应用价值。现有图神经网络方法大多将基因调控网络建模为成对基因关系，难以充分表达多个基因共同参与的高阶协同调控模式。针对这一不足，研究团队从网络模体这一具有明确生物功能意义的调控子结构出发，构建多通道模体诱导超图，并设计模体感知超图神经网络，以学习基因调控网络中的高阶语义结构。

论文中提出的Motif-GRN框架通过模体诱导多通道超图捕获高阶调控语义，同时结合传统图卷积模块保留一阶成对调控关系，并利用跨视图自监督对比学习实现图视图与超图视图之间的表征对齐。进一步地，团队将该方法扩展至归纳学习场景，使模型能够在跨数据集和标注有限条件下完成稳健的调控网络推断。实验结果表明，Motif-GRN在多个单细胞RNA测序数据集和真实调控网络基准上整体优于多种代表性方法，展现出良好的预测性能、稳定性与跨数据集泛化能力。该研究为复杂基因调控网络中的高阶结构建模提供了新的技术路径，也为疾病相关调控机制解析和生物网络智能推断提供了重要方法支撑。

信息学院2025届计算机应用技术专业毕业生吴松阳为论文第一作者，唐明靖为通讯作者。该研究得到云南省基础研究计划重点项目、国家自然科学基金等项目资助。

论文链接：10.1109/TNNLS.2026.3685617