提出一种发现生物系统中潜在图结构的新算法，基于复杂的非线性调节相互作用网络，用图来表示各种核酸、蛋白质和代谢物之间的关系，并使用实验数据对其进行探测。

Jan, 2023

提出了 Exceiver 模型，使用同一自我监督任务来处理单细胞 RNA 表达数据，学习基因之间的上下文依赖关系，并证明该模型具有迁移学习能力。

Oct, 2022

通过利用基因的独立性，Swift-DynGFN 框架提升了对基因调控网络（GRNs）中因果结构的学习能力，同时兼顾可扩展性，实验证明其在学习 GRNs 的因果结构和适应大型系统上的效果显著。

Oct, 2023

介绍 DiscoGen，这是一种基于神经网络的 GRN 发现方法，它可以去噪基因表达度量并处理干预数据，我们证明了我们的模型优于 SOTA 神经网络基因因果发现方法。

Apr, 2023

本文提出了一种基于图变分贝叶斯因果推断的框架，利用基因调控网络的信息预测受干扰细胞的基因表达，并使用图卷积网络进行邻接矩阵更新，实现数据自适应的调控网络和对基因关系的更深入挖掘，在对控制干扰的效果进行渐近有效估计的同时，展示了该方法在个体响应预测方面超越当前深度学习模型的优势。

Sep, 2022

本文提出了两种利用观测和介入数据学习基因调控网络的算法，并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时，这些算法具有非参数性质，适用于分析非高斯数据。本文还对这两种算法在模拟数据，蛋白质信号数据和单细胞基因表达数据上的性能进行了分析。

May, 2017

本文提出了一种名为 Truncating Lasso 的新罚函数方法，用于估计生物系统中基因之间的因果关系，可以在短时间内提供关于激活转录因子和其对受调控基因影响之间的时间滞后信息，并且在大 p，小 n 情况下可以 consistently 地发现因果关系。

Jul, 2010

本文采用基于已知表达式的基因间相关性符号来确定基因间的符号不定共表达关系，同时提出了一种解决凸优化问题的方法，以计算和量化蛋白质调节中的基因相互作用结构和重要性。

Jul, 2023

提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。

Jun, 2016

该论文提出了一种新的方法，结合观察到的基因表达数据和先前关于网络结构的信息，使用 $L_1$ 惩罚对网络进行稀疏化，从而估计转录调节网络。该方法在计算效率和对网络结构的假设方面都具有优点。该方法被用于构建大肠杆菌的 TRN，并且该估计是生物上合理的，并且与先前的估计相比有优越性。

Nov, 2010