DiscoGen：学习发现基因调控网络
分子网络
2023-04-13 v1 机器学习
基因组学
摘要
准确推断基因调控网络（GRNs）是生物学中一项关键且具挑战性的任务。GRNs 对基因间的激活与抑制相互作用进行建模，其本质具有因果性。为准确识别 GRNs，需要扰动数据。然而，大多数 GRN 发现方法仅基于观测数据。基于神经网络的因果发现方法的最新进展显著改进了因果发现，包括处理干预数据、提升性能与可扩展性。然而，将最先进（SOTA）的因果发现方法应用于生物学面临诸多挑战，如数据噪声大和样本数量多。因此，有必要对因果发现方法进行适配以应对这些挑战。本文中，我们提出 DiscoGen，一种基于神经网络的 GRN 发现方法，能够对基因表达测量去噪并处理干预数据。我们证明了我们的模型优于 SOTA 的基于神经网络的因果发现方法。
引用
@article{arxiv.2304.05823,
title = {DiscoGen: Learning to Discover Gene Regulatory Networks},
author = {Nan Rosemary Ke and Sara-Jane Dunn and Jorg Bornschein and Silvia Chiappa and Melanie Rey and Jean-Baptiste Lespiau and Albin Cassirer and Jane Wang and Theophane Weber and David Barrett and Matthew Botvinick and Anirudh Goyal and Mike Mozer and Danilo Rezende},
journal= {arXiv preprint arXiv:2304.05823},
year = {2023}
}