陈洛南团队发表CauTrigger因果分解框架
热点事件历史事件
陈洛南团队发表CauTrigger因果分解框架
2 篇报道2 个报道来源14 天前更新
先了解这件事
AI 综述
上海交通大学陈洛南团队与东京大学合原一幸团队在Nature Methods发表论文，提出层级因果分解框架CauTrigger，将深度潜变量建模与基于do-calculus的干预性因果推断结合，从组学数据中识别生物系统状态转变的潜在触发因素和级联因果路径，并做虚拟扰动预测。 研究在细胞命运转换与真实扰动数据中检验预测能力，并利用已有CRISPR激活实验数据，将预测结果与实际观测的基因表达变化比较。团队称，在所评估的单转录因子扰动和部分双因子组合泛化场景中，CauTrigger表现出较好的预测能力；训练时仅用初始和终末时间点定义两种状态，中间时间点不参与监督训练。 团队同时表示，从观测数据推断的因果关系及计算扰动结果尚不能替代真实干预实验，仍需针对性实验验证。
AI 根据报道生成 · 14 天前更新
最新进展10月26日 00:01
Nat. Methods 发表 CauTrigger：用分层因果分解识别生物状态转变驱动因子报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- DrugAI精选Nat. Methods 发表 CauTrigger：用分层因果分解识别生物状态转变驱动因子
研究人员在 Nature Methods 发表 CauTrigger，一个融合因果推断与深度潜在变量建模的分层因果分解框架，用于从观测组学数据中识别状态转变的上游驱动因子并预测扰动响应。
10月25日
- BioArt精选陈洛南团队在Nature Methods发表CauTrigger，用层级因果分解解析生物系统状态转变与导航
上海交通大学陈洛南团队与东京大学合原一幸团队在Nature Methods发表CauTrigger，将深度潜变量建模与基于do-calculus的干预性因果推断结合，从组学数据中识别状态转变的潜在触发因素及级联因果路径，并做虚拟扰动预测。