统计与数据科学学院 薛凡 报道
2026年10月8日上午，统计与数据科学学院主办的研究生学术沙龙第五期在位育楼417举行。本期沙龙由学院2026级博士研究生许子楠主讲，带来题为《Fairness-aware Gaussian Graphical Regression Models with Application to Brain Co-expression QTL Studies》的学术报告。本次报告由学院王荐老师主持，与现场师生展开深入交流并给予专业指导。
报告中，许子楠围绕脑胶质瘤研究中基因变异与基因共表达网络之间的复杂关联展开介绍。许子楠指出，胶质母细胞瘤具有高度侵袭性，现有治疗效果仍较有限，如何从表达数量性状位点研究中识别遗传变异对基因网络的影响，是理解疾病机制和寻找潜在干预靶点的重要问题。针对传统高斯图模型难以同时刻画群体层面与个体层面网络结构、且可能传播或放大群体偏差的不足，报告介绍了公平感知高斯图回归模型，该模型通过引入公平感知多任务学习，在以跨任务组稀疏惩罚兼顾不同任务之间结构联系的同时，利用任务内元素级稀疏惩罚控制模型复杂度，力求在组稀疏、元素稀疏、不同受试群体公平性以及模型统计效能之间取得平衡。针对高维、过参数化条件下的模型估计与优化难题，许子楠进一步介绍了公平多目标优化算法以及Fair-SAGE去偏估计方法，并说明了相关算法在非渐近收敛性、去偏估计和帕累托解求解方面的设计思路。模拟研究和表达数量性状位点分析结果显示，所提方法能够更有效地恢复基因网络结构，并在一定程度上降低模型偏差、提升推断的可靠性，为胶质母细胞瘤相关基因网络的统计建模提供了新思路。
互动交流环节，参会师生围绕公平性约束与统计效能之间的权衡、图模型在高维数据中的变量选择以及优化算法收敛性等问题与许子楠展开讨论。许子楠对相关问题逐一回应，并结合自身研究经历分享了模型设计、理论证明和实证分析中的思考。同时，各位老师与同学就该问题的潜在拓展方向提出了建设性意见，主要报告算法设计、在线估计等，为研究的后续完善提供了思路。
此次沙龙为学院师生搭建了展示研究成果、交流学术思想的平台，进一步促进了统计方法在生物医学等交叉领域中的应用探讨，学院将继续开展系列学术活动，推动研究生科研能力提升与学科交叉创新。
