DiscoGen: Learning to Discover Gene Regulatory Networks

要約

【タイトル】 DiscoGen：遺伝子発現制御ネットワークの発見を学習する
【要約】
– 遺伝子発現制御ネットワーク（GRN）の正確な推定は、生物学において重要かつ困難な課題である。
– GRNは、遺伝子間の活性化と抑制相互作用をモデル化し、本質的に因果関係がある。
– 正確なGRNの同定には、干渉データが必要である。
– しかし、ほとんどのGRN発見手法は観察データにしか対応していない。
– 最近のニューラルネットワークベースの因果推論手法の進歩により、干渉データの取り扱い、パフォーマンスおよびスケーラビリティの向上が実現されている。
– しかし、生物学に最新の因果推論手法を適用することには、ノイズの多いデータや大量のサンプルといった課題が伴うため、因果推論手法の適応が必要である。
– 本研究では、遺伝子発現測定値を除去することができ、干渉データを処理できるニューラルネットワークベースのGRN発見手法であるDiscoGenを紹介する。
– 本研究では、DiscoGenが最新のニューラルネットワークベースの因果推論手法よりも優れたパフォーマンスを発揮することを示す。

要約(オリジナル)

Accurately inferring Gene Regulatory Networks (GRNs) is a critical and challenging task in biology. GRNs model the activatory and inhibitory interactions between genes and are inherently causal in nature. To accurately identify GRNs, perturbational data is required. However, most GRN discovery methods only operate on observational data. Recent advances in neural network-based causal discovery methods have significantly improved causal discovery, including handling interventional data, improvements in performance and scalability. However, applying state-of-the-art (SOTA) causal discovery methods in biology poses challenges, such as noisy data and a large number of samples. Thus, adapting the causal discovery methods is necessary to handle these challenges. In this paper, we introduce DiscoGen, a neural network-based GRN discovery method that can denoise gene expression measurements and handle interventional data. We demonstrate that our model outperforms SOTA neural network-based causal discovery methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI