
<html>


<head>


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


</head>


<body>


<div class="" style="word-wrap:break-word">


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


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


===============================================<br class="">


Candidate: Ashka Shah<br class="">


<br class="">


Date: Monday, March 06, 2023<br class="">


<br class="">


Time: 10 am CST<br class="">


<br class="">


Location: JCL 298</div>


<div class="x_PlainText"><br class="">


</div>


<div class="x_PlainText">Remote Location: <font face="Roboto, Arial, sans-serif" class=""><span class="" style="font-size:14px; letter-spacing:0.20000000298023224px; white-space:pre-wrap"><a href="https://uchicago.zoom.us/j/99170729126?pwd=ZloyaURRa1dBY0xGSEZiejFOZ2QyZz09" class="">https://uchicago.zoom.us/j/99170729126?pwd=ZloyaURRa1dBY0xGSEZiejFOZ2QyZz09</a></span></font> <br class="">


<br class="">


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


<br class="">


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


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


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


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


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


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


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


from interventional and observational datasets and achieves almost<br class="">


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


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


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


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


experimental design strategies for selecting interventional experi-<br class="">


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


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


design.<br class="">


<br class="">


Advisors: Rick Stevens<br class="">


<br class="">


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


<br class="">


<br class="">


</div>


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


</div>


<div class="" style="word-wrap:break-word">


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


<div class="x_PlainText"><br class="">


<br class="">


</div>


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


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


<div class="x_PlainText"><br class="">


</div>


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


</div>


</body>


</html>