
<html>


<head>


<meta http-equiv="Content-Type" content="text/html; charset=utf-8">


</head>


<body>


<div dir="ltr">


<div style=""></div>


<div style="">


<div dir="ltr">


<div class="x_x_PlainText" style="box-sizing: content-box; margin: 0px; font-family: Roboto, Helvetica, Arial, sans-serif; font-size: 14.666667px; color: rgb(33, 33, 33);">


This is an announcement of Ashka Shah's MS Presentation<br>


===============================================<br style="box-sizing:content-box">


Candidate: Ashka Shah<br style="box-sizing:content-box">


<br style="box-sizing:content-box">


Date: Monday, March 06, 2023<br style="box-sizing:content-box">


<br style="box-sizing:content-box">


Time: 10 am CST<br style="box-sizing:content-box">


<br style="box-sizing:content-box">


Location: JCL 298</div>


<div class="x_x_PlainText" style="box-sizing: content-box; margin: 0px; font-family: Roboto, Helvetica, Arial, sans-serif; font-size: 14.666667px; color: rgb(33, 33, 33);" dir="ltr">


<br style="box-sizing:content-box">


</div>


<div class="x_x_PlainText" style="box-sizing: content-box; margin: 0px; font-family: Roboto, Helvetica, Arial, sans-serif; font-size: 14.666667px; color: rgb(33, 33, 33);">


Remote Location: <font face="Roboto, Arial, sans-serif" style="box-sizing:content-box"><span style="box-sizing:content-box;margin:0px;font-size:14px;letter-spacing:0.2px;white-space:pre-wrap"><a href="https://urldefense.com/v3/__https://uchicago.zoom.us/j/99170729126?pwd=ZloyaURRa1dBY0xGSEZiejFOZ2QyZz09__;!!BpyFHLRN4TMTrA!5e0Scoji8-fc4qVaY4dEifMyvD4EVPLVcDgi2tfDPqphtl-oYWfFQx8RlTWRXUvzJ_qgFsby9fVbfSrk5fABTyJTrVr7f9Zqn-qJ$" target="_blank" rel="noopener noreferrer" data-auth="NotApplicable" style="box-sizing: content-box; margin: 0px;">https://uchicago.zoom.us/j/99170729126?pwd=ZloyaURRa1dBY0xGSEZiejFOZ2QyZz09</a></span></font> <br style="box-sizing:content-box">


<br style="box-sizing:content-box">


M.S. Paper Title: Causal Discovery and Optimal Experimental Design for Genome-Scale Biological Network Recovery<br style="box-sizing:content-box">


<br style="box-sizing:content-box">


Abstract: Causal discovery of genome-scale networks is important for<br style="box-sizing:content-box">


identifying pathways from genes to observable traits –e.g. differences in<br style="box-sizing:content-box">


cell function, disease, drug resistance and others. Causal learners<br style="box-sizing:content-box">


based on graphical models rely on interventional samples to orient<br style="box-sizing:content-box">


edges in the network. However, these models have not been shown<br style="box-sizing:content-box">


to scale up the size of the genome which on the order of 1𝑒3-1𝑒4<br style="box-sizing:content-box">


genes. We introduce a new learner, SP-GIES, that jointly learns<br style="box-sizing:content-box">


from interventional and observational datasets and achieves almost<br style="box-sizing:content-box">


4x speedup against an existing learner for 1,000 node networks.<br style="box-sizing:content-box">


SP-GIES achieves an AUC-PR score of 0.91 on 1,000 node networks,<br style="box-sizing:content-box">


and scales up to 2,000 node networks – this is 4x larger than existing<br style="box-sizing:content-box">


works. We also show how SP-GIES improves downstream optimal<br style="box-sizing:content-box">


experimental design strategies for selecting interventional experi-<br style="box-sizing:content-box">


ments to perform on the system. This is an important step forward<br style="box-sizing:content-box">


in realizing causal discovery at scale via autonomous experimental<br style="box-sizing:content-box">


design.<br style="box-sizing:content-box">


<br style="box-sizing:content-box">


Advisors: Rick Stevens<br style="box-sizing:content-box">


<br style="box-sizing:content-box">


Committee Members: Rick Stevens, Arvind Ramanathan, and Yuxin Chen</div>


<br>


</div>


</div>


</div>


</body>


</html>