多组学网络推断不再逐样本硬拼：联合建模把稳定性提上来，但先验网络缺到两成时结果归零
核心概要
多组学调控网络推断长期按样本各自求解，再靠重叠拼出共有结构，噪声下解不稳定。CORNETO把多个样本放进同一个混合整数约束优化里联合求解，用结构化稀疏惩罚稳定重建。在造血分化与成人脑皮质单细胞数据上，联合推断普遍提高了稳健性与可重复性，但预测性能的增益取决于生物学背景和先验网络的完整程度。
深度剖析
把多个样本放进同一个约束优化里联合求解，比逐样本推断更稳、更可重复，这是多组学网络重建的主要收益。 此前的知识驱动方法多按单个样本推断，再靠独立推断网络的重叠识别共有模式，在噪声或约束较弱时对不稳定性敏感。 在稀疏通量平衡分析中，多样本版本生成的网络比单条件版本更小；在造血数据上，联合推断在相同误差下恢复的参考一致边更多，CARNIVAL在λ=0.1时保留约720条共享边，单样本运行约470–500条。
方法把网络推断写成基于网络流的混合整数约束优化，用结构化稀疏惩罚同时求共有子网和条件特异子网。 通量平衡分析、稀疏通量平衡分析、iMAT、CARNIVAL和奖赏收集斯坦纳树被统一为同一形式的特例，并配有开源实现支持模块化扩展。 评估覆盖iMAT、CARNIVAL、斯坦纳树和知识引导神经网络四类范式，在造血分化与成人脑皮质两个单细胞数据集上沿用原方法各自的评测流程与基准定义。
推断的收益随数据条件分档：先验网络越完整、联合建模的条件越多，解越稳定。 从Human-GEM反应图逐步删边模拟先验不完整，完整度降到20%时所有运行返回零个活跃反应，40–60%只恢复有限信号，80–100%才在较宽正则范围内给出较高精度与召回。 在造血假体bulk上随机抽取2、4、8、16个条件联合优化，条件数增加提高了独立子采样所得活跃反应集之间的Jaccard相似度，并降低了对正则强度的敏感性。
启示与展望
分析对象是CORNETO框架的可复用性、稳健性与可重复性，而非推断出的调控机制在生物学上是否正确；作者明确表示缺乏实验验证的条件特异调控真值。评测覆盖造血分化与成人脑皮质两个单细胞体系，分别代表动态与相对稳定的情形，并沿用iMAT、CARNIVAL、斯坦纳树和知识引导神经网络各自的输入、优化目标与评价标准，未用统一真值目标给方法排名。作者提出，要确立区制结论的普适性，需要在多个独立数据集、组织、物种与先验网络上系统评估。
作者强调，动态与相对稳定体系的对比各由一个数据集代表，属于案例研究而非生物学重复，关于生物变异影响的观察应视为关于推断区制的假设。由于缺乏实验验证的条件特异调控真值，生物学分析只评估与已知关系的吻合度，不构成对因果调控机制的实验验证。CARNIVAL在脑皮质数据上未返回可行解，作者推测源于细胞类型间高度同质与类别不平衡造成的退化优化空间。