近年来，深度学习的进步以及生物医学数据的日益丰富，使得构建能够近似模拟生物学和疾病潜在过程的复杂模型成为可能。这些模型越来越多地被用于预测观测数据在假设扰动下的结果。例如，它们可以评估不同公共卫生政策对疾病传播的影响，或预测基因突变如何影响RNA功能。在生物医学领域，由于伦理或经济方面的限制，对不同方案进行实证检验往往难以实现，因此，高预测性能尤为重要。
本论文介绍了两个利用深度学习模型预测假设扰动下结果的生物医学应用案例，重点关注基于序列的任务。首先，我描述了PAN-cODE，一个用于预测不同公共卫生政策下流行病病例数的潜在常微分方程模型。其次，我详细介绍了Orthrus的预训练过程，Orthrus是一个基于Mamba的mRNA基础模型，能够预测mRNA在基因扰动下的性质变化。尽管这两种方法在标准预测任务上都表现出较高的准确率，并且能够对扰动做出合理的预测，但如何将这些预测正式地纳入因果推理框架仍然是一个重要的未解难题。
为了弥补这一方法论上的不足，我提出了StrAF，一种将任意条件独立性编码为自回归归一化流的通用方法。利用StrAF，我获得了因果有效的反事实查询，其准确率超越了现有的基线方法，从而为评估假设扰动提供了一个原则性的框架。
论文题目：Predicting the Effects of Perturbation in Biomedical Sequences
作者：Shi Ruian
类型：2026年博士论文
学校：University of Toronto（加拿大多伦多大学）
请索引第153篇博士论文
 |  |
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢