基于 GFlowNet 的基因调控网络因果推断：面向大型系统的可扩展性
人工智能
2023-10-06 v1 分子网络
摘要
理解基因调控网络（GRNs）中的因果关系对于揭示细胞过程中的基因相互作用至关重要。然而，GRNs 中的因果发现是一个具有挑战性的问题，其原因包括循环反馈回路的存在以及导致多种可能因果结构的不确定性。该领域的先前工作要么忽略循环动态（假设无环结构），要么在可扩展性上面临困难。我们提出 Swift-DynGFN 作为一种新颖框架，在解决可扩展性问题的同时增强 GRNs 中的因果结构学习。具体而言，Swift-DynGFN 利用基因间的独立性来提升并行化并降低计算成本。在真实单细胞 RNA 速度与合成 GRN 数据集上的实验展示了在 GRNs 因果结构学习以及更大系统中可扩展性方面的进展。
引用
@article{arxiv.2310.03579,
title = {Causal Inference in Gene Regulatory Networks with GFlowNet: Towards Scalability in Large Systems},
author = {Trang Nguyen and Alexander Tong and Kanika Madan and Yoshua Bengio and Dianbo Liu},
journal= {arXiv preprint arXiv:2310.03579},
year = {2023}
}