Sep, 2022

应用变分因果推断和精细关系信息预测细胞响应

PDF
TL;DR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。
发现论文，激发创造
  • 变分因果推断

    提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

    Sep, 2022

  • 利用物理信息化的神经网络从单细胞数据推断动态基因调控网络

    发展生物学的主要目标之一是揭示基因调控网络（GRNs）以实现多能祖细胞向具体细胞类型的准确分化。本文展示了如何使用物理信息神经网络（PINNs）推断预测性和动力学的 GRNs 参数，以提供生物过程的机制理解。我们的分析将为今后使用 PINNs 进行实验设计提供参考，并为进一步探索这一强大类神经网络模型提供起点。

    Jan, 2024

  • 变分因果网络：对因果结构进行近似贝叶斯推断

    本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。

    Jun, 2021

  • 基因调控关系的大规模局部因果推断

    提出了一种基于 Bayesian 方法的计算模型，用于从基因表达的高通量遗传数据中发现基因之间的局部因果关系。模型的应用结果表明，可以从稳定且保守的局部因果结构后验概率中推导出最有意义的调控关系。

    Sep, 2019

  • 高斯过程网络中的贝叶斯因果推断

    在高斯过程网络（GPN）模型中进行贝叶斯估计来推断多步骤干预效应，通过模拟整个网络中干预的影响并传播到下游变量，以及使用高斯过程建模条件分布来估计干预分布，进一步考虑到因果结构不确定性。结果表明，该方法能够识别非高斯、非线性的观测数据中假设干预的效果，并准确反映因果估计的后验不确定性。

    Feb, 2024

  • 单细胞 RNA 测序的基因表达剖面深度生成模型

    提出了一种针对单细胞 RNA 测序随机解释基因表达水平的概率模型，其利用低维潜在表示、额外潜在变量和神经网络进行条件分布的建模，并利用方差推断和随机优化来拟合数据。此推断过程适用于 100 万个细胞以上的数据，且优于 ZIFA 和 ZINB-WaVE 方法。作者还将该框架扩展到批次效应和其他混淆因素，并提出了一种超越 DESeq2 方法的 Bayesian 假设检验，以分析基因差异表达。

    Sep, 2017

  • 祖先因果推断

    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

  • CausalBench 挑战赛：基于单细胞干扰数据的基因网络推断的机器学习竞赛

    通过分析 CausalBench 挑战赛中的方法提交情况，提升了基因 - 基因相互作用网络的构建能力，为生物学和医学领域关键任务的状态提供了改进和新的技术水平。

    Aug, 2023

  • 基于排列的带干预因果推断算法

    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

  • 基因调控网络中的因果推断与 GFlowNet：向大型系统的可扩展性迈进

    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