Causal Inference in Gene Regulatory Networks with GFlowNet: Towards Scalability in Large Systems

要約

遺伝子制御ネットワーク (GRN) 内の因果関係を理解することは、細胞プロセスにおける遺伝子相互作用を解明するために不可欠です。
しかし、GRN における因果関係の発見は、周期的なフィードバック ループの存在や、多様な可能性のある因果構造を生み出す不確実性など、複数の理由から困難な問題です。
この分野のこれまでの研究では、周期的なダイナミクスを無視するか (非周期構造を想定)、スケーラビリティに苦労していました。
スケーラビリティの問題に対処しながら、GRN での因果構造学習を強化する新しいフレームワークとして Swift-DynGFN を紹介します。
具体的には、Swift-DynGFN は遺伝子単位の独立性を利用して並列化を強化し、計算コストを削減します。
実際の単一細胞 RNA の速度と合成 GRN データセットに関する実験は、GRN における因果構造の学習と大規模システムにおけるスケーラビリティの進歩を示しています。

要約(オリジナル)

Understanding causal relationships within Gene Regulatory Networks (GRNs) is essential for unraveling the gene interactions in cellular processes. However, causal discovery in GRNs is a challenging problem for multiple reasons including the existence of cyclic feedback loops and uncertainty that yields diverse possible causal structures. Previous works in this area either ignore cyclic dynamics (assume acyclic structure) or struggle with scalability. We introduce Swift-DynGFN as a novel framework that enhances causal structure learning in GRNs while addressing scalability concerns. Specifically, Swift-DynGFN exploits gene-wise independence to boost parallelization and to lower computational cost. Experiments on real single-cell RNA velocity and synthetic GRN datasets showcase the advancement in learning causal structure in GRNs and scalability in larger systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google