Identifying perturbation targets through causal differential networks

要約

Identifying variables responsible for changes to a biological system enables applications in drug target discovery and cell engineering.
観察と介入のデータセットのペアを考えると、目標は、介入のターゲットである観測された変数のサブセットを分離することです。
因果発見アルゴリズムを直接適用することは困難です。データには、介入ごとに数十のサンプルを持つ何千もの変数が含まれている場合があり、生物学的システムは古典的な因果関係の仮定を順守しません。
We propose a causality-inspired approach to address this practical setting.
First, we infer noisy causal graphs from the observational and interventional data.
次に、これらのグラフ間の違いを、追加の統計的特徴とともに、介入した変数のセットにマッピングすることを学びます。
両方のモジュールは、生物学的介入の性質を反映するシミュレートされた実際のデータについて、監視されたフレームワークで共同で訓練されています。
このアプローチは、7つのシングルセルトランスクリプトームデータセットの摂動モデリングのベースラインを一貫して上回ります。
また、さまざまな合成データにわたってソフトおよびハード介入ターゲットを予測するための現在の因果発見方法に関する大幅な改善を示しています。

要約(オリジナル)

Identifying variables responsible for changes to a biological system enables applications in drug target discovery and cell engineering. Given a pair of observational and interventional datasets, the goal is to isolate the subset of observed variables that were the targets of the intervention. Directly applying causal discovery algorithms is challenging: the data may contain thousands of variables with as few as tens of samples per intervention, and biological systems do not adhere to classical causality assumptions. We propose a causality-inspired approach to address this practical setting. First, we infer noisy causal graphs from the observational and interventional data. Then, we learn to map the differences between these graphs, along with additional statistical features, to sets of variables that were intervened upon. Both modules are jointly trained in a supervised framework, on simulated and real data that reflect the nature of biological interventions. This approach consistently outperforms baselines for perturbation modeling on seven single-cell transcriptomics datasets. We also demonstrate significant improvements over current causal discovery methods for predicting soft and hard intervention targets across a variety of synthetic data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google