CausalBench 挑战赛：从单细胞扰动数据进行基因网络推断的机器学习竞赛
机器学习
2025-05-20 v2 分子网络
定量方法
摘要
在药物发现中，绘制细胞系统内基因间的相互作用是一项关键的早期步骤。此类图谱不仅是理解疾病生物学分子机制的基础，也是提出新药物潜在靶点假设的关键。认识到需要提升这些基因-基因相互作用网络的构建，特别是基于扰动单细胞的规模化真实世界数据集，CausalBench 挑战赛由此发起。该挑战旨在激励机器学习界改进最先进方法，强调对海量遗传扰动数据的更好利用。利用 CausalBench 基准提供的框架，参与者被要求改进现有方法或提出新方法。本报告对挑战期间提交的方法进行分析与总结，以部分呈现挑战当时的最新技术水平。值得注意的是，获胜方案相较先前基线显著提升了性能，为这一生物学与医学中的关键任务确立了新的 SOTA。
引用
@article{arxiv.2308.15395,
title = {The CausalBench challenge: A machine learning contest for gene network inference from single-cell perturbation data},
author = {Mathieu Chevalley and Jacob Sackett-Sanders and Yusuf Roohani and Pascal Notin and Artemy Bakulin and Dariusz Brzezinski and Kaiwen Deng and Yuanfang Guan and Justin Hong and Michael Ibrahim and Wojciech Kotlowski and Marcin Kowiel and Panagiotis Misiakos and Achille Nazaret and Markus Püschel and Chris Wendler and Arash Mehrjou and Patrick Schwab},
journal= {arXiv preprint arXiv:2308.15395},
year = {2025}
}