蛋白质丰度常常偏向一边，或夹着少量极端值，却被许多方法硬塞进“钟形曲线”。这可能让关系箭头画错。两项工作都把贝叶斯DAG学习扩展到 Nonparanormal 模型：允许每个变量先做未知的单调变换，再共同服从高斯分布。DAG 是用单向箭头表示变量关系、且不允许箭头绕回起点的图；仅凭观察数据，箭头仍不能自动视为因果。
第一项工作的巧思是只看每列数据的大小次序，不必估计具体变换，再用 horseshoe 先验——一种强力压低弱关系、同时保留强关系的收缩方法——筛出稀疏网络。作者还在急性髓系白血病蛋白表达数据中删去了一些高斯分析认为概率很高、却缺少机制支持的边。
第二项工作则为两类先验推导出闭式评分，让采样器比较候选图时无需反复做数值积分，并设计了可扩展到数百节点的简化评分。作者自述，模拟中这些方法在高斯数据上不输传统方案，在偏态数据上优势明显；在人类 T 细胞蛋白信号数据上也找回了已有充分认识的相互作用。