Aug, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 单细胞基因组的因果机器学习

    单细胞组学的高维数据与生物学系统的复杂性共同构成了因果关系的挑战，本研究旨在应用机器学习方法解决这一问题，讨论了单细胞基因组学中因果推断方法的应用、相关的假设、存在的问题以及未来的研究方向，并预测因果模型将成为未来实验设计的重要工具。

    Oct, 2023

  • 应用变分因果推断和精细关系信息预测细胞响应

    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

  • 基于转移学习的功能转录网络的细胞重编程设计

    利用转录组数据进行预训练的转移学习方法，通过基因扰动的转录响应，最小化给定初始和目标转录状态之间的差异，成功重现已知的重编程协议并创新性地设计适用于特定重编程转变的可调整模型，研究揭示了基因调控网络对表型的管理方式。

    Mar, 2024

  • 基于仿真的基因干扰实验中的因果结构学习基准测试

    根据真实的基因扰动数据，我们展示了 CausalRegNet 生成准确的分布并且在规模上比当前的仿真框架更好，在生物学的干预性实验背景下利用 CausalRegNet 评估了因果结构学习方法。

    Jul, 2024

  • 基于人工智能的多组学融合，用于多尺度预测模型的因果基因型 - 环境 - 表型关系

    利用人工智能与生物学启发的多尺度模型框架，整合细胞单细胞多组学数据、机器学习和预测建模，来预测基因 - 环境 - 表型关系，并为目前未满足的医学需求提供新的分子靶点、生物标志物、药物和个性化医学。

    Jul, 2024

  • 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

  • NeurIPS 竞赛说明和指南：教育学习路径中的因果洞见

    该研究使用时间序列数据解决了机器学习在教育信息领域中两个基本的因果挑战，即确定不同构建之间的因果关系和预测学习一个构建对回答其他构建问题的影响，从而实现对学生知识获取的优化。研究采用了合成数据的理想环境和一系列 A/B 测试中收集的评估数据的真实世界情境。

    Aug, 2022

  • 使用循环一致性学习对单细胞干预反应进行可解释建模

    基于表型的筛选方法在识别具有活性的化合物方面引起了广泛的关注。本文提出了一种基于编码 - 解码架构的深度学习框架，可以将初始细胞状态映射到潜在空间中，其中假设药物对细胞状态的影响符合线性可加性。通过引入循环一致性约束条件，我们可以强制要求经过药物干扰的初始细胞状态产生受扰动的细胞响应，反之亦然，从受扰动的细胞状态中去除药物干扰则会恢复到初始细胞状态。循环一致性约束条件和潜在空间中的线性建模能够学习可解释且可迁移的药物干扰表示，从而使我们的模型能够预测对未知药物的细胞响应。我们在三种不同类型的数据集上验证了我们的模型，包括批量转录响应、批量蛋白响应以及单细胞转录响应对药物扰动。实验结果显示，我们的模型比现有的最先进方法取得了更好的性能。

    Nov, 2023

  • 基于统计和机器学习方法的基因表达谱分析的比较分析

    机器学习模型在表达基因数据的表型分类方面取得了好的性能，通过提取决策的解释，这些模型能提供对表型的理解，讨论了这种解释的生物学和方法论限制，并在癌症和健康组织样本的多个数据库上进行了实验。

    Feb, 2024

  • 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