Predicting Cellular Responses with Variational Causal Inference and Refined Relational Information

要約

タイトル：変分因果推論と洗練された相互情報による細胞反応の予測

要約：

– 細胞についての知見を利用して、対照的な摂動（実際には繰り返されなかった摂動）下で細胞の遺伝子発現を予測する、新しいグラフベイズ因果推論フレームワークを提案する。
– データ適応型の遺伝子制御ネットワーク（GRNs）に照準を合わせ、グラフ畳み込みネットワークに対して隣接行列の更新技術を開発し、事前学習時にGRNsを洗練し、遺伝子間の関係についてより深い洞察を生成し、モデルの性能を向上させた。
– さらに、現在の研究ではまだ行われていない、漸近的に効率的なマージナル摂動効果の推定に対して、強力な推定器を提案する。
– 一連の実験により、個別の反応予測において現在の最先端のディープラーニングモデルよりも優れた性能を示した、当手法の利点を紹介する。

要約(オリジナル)

Predicting the responses of a cell under perturbations may bring important benefits to drug discovery and personalized therapeutics. In this work, we propose a novel graph variational Bayesian causal inference framework to predict a cell’s gene expressions under counterfactual perturbations (perturbations that this cell did not factually receive), leveraging information representing biological knowledge in the form of gene regulatory networks (GRNs) to aid individualized cellular response predictions. Aiming at a data-adaptive GRN, we also developed an adjacency matrix updating technique for graph convolutional networks and used it to refine GRNs during pre-training, which generated more insights on gene relations and enhanced model performance. Additionally, we propose a robust estimator within our framework for the asymptotically efficient estimation of marginal perturbation effect, which is yet to be carried out in previous works. With extensive experiments, we exhibited the advantage of our approach over state-of-the-art deep learning models for individual response prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI