Cet article offre l'opportunité de découvrir des graphes causaux à grande échelle représentant les interactions régulatrices entre gènes, en exploitant des ensembles de données biologiques modernes à haut débit contenant des milliers de perturbations. Des modèles de graphes causaux discriminables existants ont été utilisés pour inférer des réseaux de régulation génique (RRG) à partir d'ensembles de données de perturbations à grande échelle et capturer les relations causales de régulation génique à partir de perturbations génétiques. Cependant, ils souffrent d'une expressivité et d'une évolutivité limitées et ne parviennent pas à prendre en compte la nature dynamique des processus biologiques tels que la différenciation cellulaire. Dans cet article, nous proposons PerturbODE, un nouveau cadre qui intègre des équations différentielles ordinaires neuronales (EDO neuronales) biologiquement informatives pour modéliser les trajectoires d'état cellulaire et dériver des RRG causaux à partir de leurs paramètres. Nous démontrons l'efficacité de la prédiction de trajectoire et de l'inférence de RRG sur des ensembles de données de surexpression simulés et réels.
