Learning Identifiable Factorized Causal Representations of Cellular Responses

要約

細胞と、遺伝的または化学的摂動に対する細胞の応答の研究は、治療標的の発見を加速することを約束します。
しかし、摂動に対する細胞の応答は本質的にその生物学的状況（遺伝的背景や細胞の種類など）に依存するため、そのようなデータに対して適切で洞察力に富んだモデルを設計することは困難です。
たとえば、治療標的を発見する際に、特定の細胞型を特異的に標的とする薬剤を強化したい場合があります。
この課題は、薬物と状況の間の潜在的な相互作用を明示的に考慮する方法の必要性を強調しています。
この目標に向けて、いくつかの細胞株からの単一細胞摂動データの因果構造を明らかにする新しい因子化因果表現 (FCR) 学習方法を提案します。
識別可能な深い生成モデルのフレームワークに基づいて、FCR は、共変量固有 ($\mathbf{z}_x$)、治療固有 ($\mathbf{z}_{t}$) で構成される、もつれが解けた複数の細胞表現を学習します。
)、およびインタラクション固有の ($\mathbf{z}_{tx}$) ブロック。
非線形 ICA 理論の最近の進歩に基づいて、$\mathbf{z}_{tx}$ のコンポーネント単位の識別可能性と、$\mathbf{z}_t$ および $\mathbf{z のブロック単位の識別可能性を証明します。
}_x$。
次に、FCR の実装を紹介し、4 つの単一セル データセットにわたるさまざまなタスクにおいて、FCR が最先端のベースラインよりも優れていることを実証します。

要約(オリジナル)

The study of cells and their responses to genetic or chemical perturbations promises to accelerate the discovery of therapeutic targets. However, designing adequate and insightful models for such data is difficult because the response of a cell to perturbations essentially depends on its biological context (e.g., genetic background or cell type). For example, while discovering therapeutic targets, one may want to enrich for drugs that specifically target a certain cell type. This challenge emphasizes the need for methods that explicitly take into account potential interactions between drugs and contexts. Towards this goal, we propose a novel Factorized Causal Representation (FCR) learning method that reveals causal structure in single-cell perturbation data from several cell lines. Based on the framework of identifiable deep generative models, FCR learns multiple cellular representations that are disentangled, comprised of covariate-specific ($\mathbf{z}_x$), treatment-specific ($\mathbf{z}_{t}$), and interaction-specific ($\mathbf{z}_{tx}$) blocks. Based on recent advances in non-linear ICA theory, we prove the component-wise identifiability of $\mathbf{z}_{tx}$ and block-wise identifiability of $\mathbf{z}_t$ and $\mathbf{z}_x$. Then, we present our implementation of FCR, and empirically demonstrate that it outperforms state-of-the-art baselines in various tasks across four single-cell datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google