
<html>


<head>


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


</head>


<body>


<div class="BodyFragment"><font size="2"><span style="font-size:11pt;">


<div class="PlainText">This is an announcement of Ashka Shah's MS Presentation<br>


===============================================<br>


Candidate: Ashka Shah<br>


<br>


Date: Monday, March 06, 2023<br>


<br>


Time: 10 am CST<br>


<br>


Location: JCL 298<br>


<br>


M.S. Paper Title: Causal Discovery and Optimal Experimental Design for Genome-Scale Biological Network Recovery<br>


<br>


Abstract: Causal discovery of genome-scale networks is important for<br>


identifying pathways from genes to observable traits –e.g. differences in<br>


cell function, disease, drug resistance and others. Causal learners<br>


based on graphical models rely on interventional samples to orient<br>


edges in the network. However, these models have not been shown<br>


to scale up the size of the genome which on the order of 1𝑒3-1𝑒4<br>


genes. We introduce a new learner, SP-GIES, that jointly learns<br>


from interventional and observational datasets and achieves almost<br>


4x speedup against an existing learner for 1,000 node networks.<br>


SP-GIES achieves an AUC-PR score of 0.91 on 1,000 node networks,<br>


and scales up to 2,000 node networks – this is 4x larger than existing<br>


works. We also show how SP-GIES improves downstream optimal<br>


experimental design strategies for selecting interventional experi-<br>


ments to perform on the system. This is an important step forward<br>


in realizing causal discovery at scale via autonomous experimental<br>


design.<br>


<br>


Advisors: Rick Stevens<br>


<br>


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


<br>


<br>


<br>


<br>


</div>


</span></font></div>


<div class="BodyFragment"><font size="2"><span style="font-size:11pt;">


<div class="PlainText"><br>


<br>


<br>


</div>


</span></font></div>


</body>


</html>