Interpretable Neural ODEs for Gene Regulatory Network Discovery under Perturbations
扰动下基因调控网络发现的可解释神经常微分方程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：摘要直接利用干预数据发现因果调控图，并以基因网络及调控模块为核心建模对象。
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…
扰动下基因调控网络发现的可解释神经常微分方程
- 研究问题
- 如何从大规模基因扰动数据中刻画非线性细胞状态动态，恢复基因调控网络，并预测尚未观察到的遗传干预响应？
- 方法与思路
- 作者提出 PerturbODE，用可解释神经常微分方程建模扰动下的状态轨迹，并从单隐藏层网络参数提取调控图及共同调控模块。
- 材料陈述的贡献
- 摘要称该框架连接动态轨迹建模、调控网络推断与未见干预模拟，并在模拟及真实过表达数据中展示网络恢复和响应预测能力。
- 阅读关注点
- 应核对扰动设计及轨迹观测方式、神经网络参数映射为因果边的依据，以及网络真值验证与未见干预预测的评估范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明因果图识别条件或具体性能数值，预测能力不能单独证明网络正确。
原文摘要
Modern high-throughput biological datasets containing thousands of perturbations enable large-scale discovery of causal graphs that represent regulatory interactions between genes. Differentiable causal graphical models and regression-based methods have been developed to infer gene regulatory networks (GRNs) from interventional datasets. However, existing approaches fail to capture the non-linear dynamics of biological processes such as cellular differentiation. To address this limitation, we propose PerturbODE, a novel framework that employs interpretable neural ordinary differential equations (neural ODEs) to model cell state trajectories under perturbations and derive the underlying causal GRN from the neural ODE parameters, enabling downstream simulation of unseen genetic interventions. The GRN is encoded via a single-hidden-layer feedforward network, implicitly grouping genes into interpretable co-regulated modules. We demonstrate PerturbODE's efficacy in GRN inference and extension to perturbation response prediction across both simulated and real overexpression datasets.