可解释的神经常微分方程用于扰动下的基因调控网络发现

Jan, 2025

可解释的神经常微分方程用于扰动下的基因调控网络发现

Interpretable Neural ODEs for Gene Regulatory Network Discovery under Perturbations

Zaikang Lin, Sei Chang, Aaron Zweig, Elham Azizi, David A. Knowles

TL;DR本研究解决了现有基因调控网络推断模型的局限性，如线性假设和动态过程处理不足。提出的PerturbODE框架利用生物信息丰富的神经常微分方程来建模扰动下的细胞状态轨迹，从而有效推导因果基因调控网络。该方法在轨迹预测和基因调控网络推断的实验中表现出高效性，展示了其在生物数据分析中的潜在影响。

Abstract

Modern high-throughput biological datasets with thousands of perturbations provide the opportunity for large-scale discovery of causal graphs that represent the regulatory interactions between genes. Numerous methods have been proposed to infer a directed acyclic graph (DAG) corresponding to the underlying gene regulatory network (GRN) that captures causal g

发现论文，激发创造

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

利用伴随灵敏度推断细胞动态变化的扰动数据

本文研究提出在各种生物系统中使用数据驱动的动态模型来预测细胞对不可见扰动的响应，结合使用机器学习技术和邻接算法构建网络模型，并进行模拟，以验证模型的准确性和可适用性。

Apr, 2021

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

基因调控网络预测中的因果关系发现

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

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

从带扰动的时序数据推断动态调控交互图

本文提出了一种Regulatory Temporal Interaction Network Inference(RiTINI)，它使用空间和时间图关注机制以及图神经ODE，通过利用图形先验上的时间延迟信号和各个节点的信号扰动来推断复杂系统中的时间变化交互图，这种方法不同于传统的因果推断网络，并且可以推断循环，有向和时间变化的图，从而提供复杂系统更全面和准确的表征。

Jun, 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

利用因果微分网络预测扰动目标

本研究解决了现有因果图推断算法在面对生物数据中的数百或数千个变量时的低效问题。通过提出一种新颖的方法，将因果发现与预测干预目标的过程解耦，本研究成功提升了在七个单细胞转录组数据集上建模扰动的表现，并在各种可处理的合成数据集上超越了六个因果发现算法的干预目标预测能力。该工作的潜在影响在于为疾病理解和细胞工程提供了更精确的工具。

Oct, 2024

LLM4GRN：通过合成数据生成发现因果基因调控网络

本研究解决了基因调控网络（GRN）发现中的困难，尤其是在缺乏真实因果图的情况下。利用大型语言模型（LLMs）结合传统统计方法，开发了一种任务导向的评估策略，通过合成数据生成验证LLMs推荐的GRN。结果表明，LLMs能够有效支持生物研究中的统计建模和数据合成。

Oct, 2024