ICLRMar, 2024

存在缺失情况下的基因调控网络推断：因果视角

PDF
TL;DR基因调控网络推断是一个具有挑战性的问题，尤其是由于单细胞 RNA 测序数据中存在零值：一些是表示没有基因表达的生物学上的零值，而其他一些是由测序过程（也称为缺失）产生的技术性零值，可能通过扭曲所测量的基因表达的联合分布来偏移基因调控网络推断。
gene regulatory network inferencesingle-cell rna sequencing datadropoutscausal dropout modelconditional independence
发现论文，激发创造
  • DiscoGen: 学习发现基因调控网络

    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

  • 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

  • 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

  • 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

  • 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

  • 基因调控神经网络在生物人工智能中的非线性分类器稳定性分析

    通过建立基于化学反应的数学模型，将基因调控网络转化为基因调控神经网络（GRNN），进行稳定性分析，并探究参数变化对分类界限的影响，为满足不同应用需求的可编程 GRNN 打下基础。

    Sep, 2023

  • 基于图引导的不规则采样多元时间序列网络

    RAINDROP 是一种图神经网络，用于处理不规则采样和多变量时间序列，可以超过其他方法进行时间序列分类，并且在不同设置下都能取得上乘表现。

    Oct, 2021

  • DropGNN：随机删除提升图神经网络的表达能力

    本文介绍了一种新的 Dropout Graph Neural Networks 方法，通过多次运行 GNN 并在每次运行中随机独立地删除一些节点，从而克服了标准 GNN 框架的局限性，并证明了该方法在区分 GNN 不能分开的各种图形邻域方面的可靠性和表达能力，并在实验中验证了其理论发现的表达能力和在已建立的 GNN 基准测试上的竞争力。

    Nov, 2021

  • DAG 中的深度学习

    引入因果图归一化流（causal-graphical normalizing flows, cGNFs）这一新方法，该方法利用深度神经网络对以有向无环图（directed acyclic graphs, DAGs）表示的理论进行经验评估，模型所显示的数据的完整联合分布，而无需对函数形式进行严格的假设，从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计，包括总效应、条件效应、直接和间接效应以及路径特定效应。

    Jan, 2024