GeneRegulatoryNetwork

根据相关系数符号推断调控类型：正相关为激活因子，负相关为抑制因子。

激活或抑制 effector 类型。

根据 WGCNA 共表达网络与 TF 注释结果，构建 BNLearn 工作流的拓扑先验网络。

调控方向严格依据 TF 注释确定：仅当一条边的其中一端是 TF、另一端不是 TF 时，才生成单向调控边（TF → 非 TF）；权重符号决定激活 / 抑制，权重绝对值 作为先验置信度。两端同为 TF 或同为非 TF 的边无法由共表达确定方向，将被 跳过并在日志中给出统计信息。

定向后的 BNLearn 先验调控网络。

根据 WGCNA 共表达网络与 TF 注释结果，构建 BNLearn 工作流的拓扑先验网络。

调控方向严格依据 TF 注释确定：仅当一条边的其中一端是 TF、另一端不是 TF 时，才生成单向调控边（TF → 非 TF）；权重符号决定激活 / 抑制，权重绝对值 作为先验置信度。两端同为 TF 或同为非 TF 的边无法由共表达确定方向，将被 跳过并在日志中给出统计信息。

定向后的 BNLearn 先验调控网络。

将一条有向调控关系转换为 DBN 的 RegulatoryLink 拓扑链路。

根据 WGCNA 共表达网络与 TF 注释结果，构建 DBN 拓扑链路集合 （RegulatoryLink）。方向与 GeneRegulatoryNetwork.BuildPriorNetwork() 一致。

DBN 调控链路集合（TF → 非 TF 单向）。

主入口：将 WGCNA 共表达网络按 TF 注释定向为拓扑先验，并装配到 BNLearn 工作流中返回。调用方随后可设置工作流的 BNLearnWorkflow.ExpressionData 并执行结构学习与参数学习。

已注入拓扑先验网络的 BNLearn 工作流实例。

构建并拟合参数的动态贝叶斯网络：将 WGCNA 共表达网络按 TF 注释定向为 DBN 拓扑，并基于时间序列表达矩阵学习条件概率表（CPT）。

已完成拓扑构建与参数学习的动态贝叶斯网络。

构建并拟合参数的动态贝叶斯网络：将 WGCNA 共表达网络按 TF 注释定向为 DBN 拓扑，并基于时间序列表达矩阵学习条件概率表（CPT）。

已完成拓扑构建与参数学习的动态贝叶斯网络。

在已构建并拟合参数的动态贝叶斯网络上，对指定基因执行虚拟敲降模拟。

模拟逻辑：将目标基因节点状态强制固定为 ""Low""（敲降状态），并基于 已学习的条件概率表多步推演下游基因状态的级联变化。返回每个基因随时间的 离散状态数值化轨迹（Low=0, Medium=1, High=2）。

基因名称 → 随时间变化的表达状态轨迹数组。

端到端封装：WGCNA 共表达网络 + 时间序列表达矩阵 → 动态贝叶斯网络建模 → 指定基因的虚拟敲降级联模拟。

目标基因被敲降后，各基因随时间的表达状态轨迹。

将 SingleGRN 流程产出的 DBN 时间序列（已是 GeneExpressionData）装配为 BNLearn 工作流，并可选地融合由伪速率趋势构造的方向先验（PriorNetwork）。

与 GeneRegulatoryNetwork.BuildBNNetwork()（基于 WGCNA 共表达网络）不同，本函数直接消费已经完成 伪时间分箱的连续时间序列表达矩阵，无需 WGCNA 与 TF 注释，适用于 Monocle3 + PseudoVelo 产出的单细胞轨迹数据。

已注入表达数据与先验网络的 BNLearn 工作流实例。

端到端封装：基于 DBN 时间序列构建基因表达调控网络 → 结构学习 → 参数学习 → 虚拟扰动分析（敲除 / 过表达 / 动态级联敲除 / 批量敲除），并可选导出结果。

虚拟扰动逻辑严格复用 BNLearnWorkflow 的高层 API （KnockoutGene / OverexpressGene / DynamicKnockout / BatchKnockout / SaveResults）， 与 BNLearn\test\Program.vb 的演示一致。

训练好的工作流 + 各类扰动结果（供调用方进一步分析或二次导出）。

基于 WGCNA 共表达模块划分，逐模块训练 DynamicBayesianNetwork 子网络，并基于模块间 相关度构建子网络关联，对任意显式指定的扰动基因（knockGenes）做全局级联虚拟扰动推断。

与 GeneRegulatoryNetwork.TrainAndIntervene() 的区别：

• 本函数使用"真正动态"的 DynamicBayesianNetwork（2TBN，离散状态 Low/Medium/High， 时间序列参数学习），而非全局高斯 BN；
• 子网络按 WGCNA 模块分块训练，仅在模块内进行结构/参数学习，避免全局大网络的性能瓶颈；
• 级联虚拟扰动基于模块 eigengene 关联图逐模块推演（PredictNextState），实现全局性推断。

每个扰动基因的全局最终响应向量（按全部模块基因顺序排列）与训练好的模块子网络字典。