Predicting Cellular Responses with Variational Causal Inference and Refined Relational Information
结合变分因果推断与细化关系信息预测细胞响应AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究反事实扰动响应及边际扰动效应；基因调控网络不等同于个体间处理干扰。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
结合变分因果推断与细化关系信息预测细胞响应
- 研究问题
- 如何利用基因调控网络预测单个细胞在未实际接受的扰动下的基因表达，并对总体边际扰动效应进行稳健且高效的估计？
- 方法与思路
- 作者提出图变分贝叶斯因果推断框架，在预训练中更新图卷积网络邻接矩阵以细化调控网络，并构造边际扰动效应的稳健估计量。
- 材料陈述的贡献
- 摘要称提出了边际扰动效应的渐近高效估计方案，实验显示个体响应预测优于所比较深度学习模型，并通过网络细化改善表现。
- 阅读关注点
- 核对反事实扰动的识别假设、训练数据分配机制和网络更新约束，区分预测指标与效应估计指标，并检查稳健性和效率条件。
- 阅读边界
- 这是预印本，同行评审及接收状态未核实。摘要未说明识别条件、稳健性的具体含义和实验数值，基因网络信息本身不能保证反事实识别。
原文摘要
Predicting the responses of a cell under perturbations may bring important benefits to drug discovery and personalized therapeutics. In this work, we propose a novel graph variational Bayesian causal inference framework to predict a cell's gene expressions under counterfactual perturbations (perturbations that this cell did not factually receive), leveraging information representing biological knowledge in the form of gene regulatory networks (GRNs) to aid individualized cellular response predictions. Aiming at a data-adaptive GRN, we also developed an adjacency matrix updating technique for graph convolutional networks and used it to refine GRNs during pre-training, which generated more insights on gene relations and enhanced model performance. Additionally, we propose a robust estimator within our framework for the asymptotically efficient estimation of marginal perturbation effect, which is yet to be carried out in previous works. With extensive experiments, we exhibited the advantage of our approach over state-of-the-art deep learning models for individual response prediction.