Este artículo presenta una oportunidad para descubrir grafos causales a gran escala que representan interacciones regulatorias entre genes, aprovechando conjuntos de datos biológicos modernos de alto rendimiento que contienen miles de perturbaciones. Los modelos de grafos causales discriminables existentes se han utilizado para inferir redes reguladoras de genes (GRN) a partir de conjuntos de datos de perturbaciones a gran escala y capturar relaciones causales de regulación génica a partir de perturbaciones genéticas. Sin embargo, adolecen de expresividad y escalabilidad limitadas y no abordan la naturaleza dinámica de procesos biológicos como la diferenciación celular. En este artículo, proponemos PerturbODE, un nuevo marco que integra ecuaciones diferenciales ordinarias neuronales (EDO neuronales) biológicamente informativas para modelar trayectorias del estado celular y derivar GRN causales a partir de los parámetros de las EDO neuronales. Demostramos la eficacia de la predicción de trayectorias y la inferencia de GRN en conjuntos de datos de sobreexpresión simulados y del mundo real.
