論文の概要: Leveraging Structured Biological Knowledge for Counterfactual Inference:
a Case Study of Viral Pathogenesis
- arxiv url: http://arxiv.org/abs/2101.05136v1
- Date: Wed, 13 Jan 2021 15:32:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 08:04:29.475188
- Title: Leveraging Structured Biological Knowledge for Counterfactual Inference:
a Case Study of Viral Pathogenesis
- Title（参考訳）: 対物推論のための構造化生物学的知識の活用 : ウイルス発生の事例研究
- Authors: Jeremy Zucker, Kaushal Paneri, Sara Mohammad-Taheri, Somya Bhargava,
Pallavi Kolambkar, Craig Bakker, Jeremy Teuton, Charles Tapley Hoyt, Kristie
Oxford, Robert Ness and Olga Vitek
- Abstract要約: 本書では,因果生物学的知識グラフを問合せする一般的なアプローチを提案する。
定性的な結果を定量的な構造因果モデルに変換し、データから質問に答えることができます。
システム生物学における2つのケーススタディを用いて,本手法の実現可能性,正確性,汎用性を示す。
- 参考スコア（独自算出の注目度）: 3.187785155061346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Counterfactual inference is a useful tool for comparing outcomes of
interventions on complex systems. It requires us to represent the system in
form of a structural causal model, complete with a causal diagram,
probabilistic assumptions on exogenous variables, and functional assignments.
Specifying such models can be extremely difficult in practice. The process
requires substantial domain expertise, and does not scale easily to large
systems, multiple systems, or novel system modifications. At the same time,
many application domains, such as molecular biology, are rich in structured
causal knowledge that is qualitative in nature. This manuscript proposes a
general approach for querying a causal biological knowledge graph, and
converting the qualitative result into a quantitative structural causal model
that can learn from data to answer the question. We demonstrate the
feasibility, accuracy and versatility of this approach using two case studies
in systems biology. The first demonstrates the appropriateness of the
underlying assumptions and the accuracy of the results. The second demonstrates
the versatility of the approach by querying a knowledge base for the molecular
determinants of a severe acute respiratory syndrome coronavirus 2
(SARS-CoV-2)-induced cytokine storm, and performing counterfactual inference to
estimate the causal effect of medical countermeasures for severely ill
patients.
- Abstract（参考訳）: カウンターファクト推論は、複雑なシステムにおける介入の結果を比較するのに有用なツールである。
システムを構造的因果モデルとして表現し、因果図、外因性変数の確率的仮定、機能的代入を完備する必要がある。
このようなモデルを特定することは、実際は非常に困難である。
このプロセスには相当な専門知識が必要で、大規模システムや複数のシステム、新しいシステム修正に容易にスケールできない。
同時に、分子生物学のような多くの応用領域は、自然界で定性的である構造化因果知識に富んでいる。
本書では,因果的生物学的知識グラフを問合せし,質的結果を定量的構造的因果モデルに変換し,その質問に答えるためにデータから学習する手法を提案する。
システム生物学における2つのケーススタディを用いて,本手法の実現可能性,正確性,汎用性を示す。
まず、基礎となる仮定の適切性と結果の正確性を示す。
第2に、重症急性呼吸器症候群ウイルス2(SARS-CoV-2)誘発サイトカイン嵐の分子的決定因子に関する知識ベースを問合せ、重篤な患者に対する医療対策の因果効果を推定する反実的推論を行うことにより、アプローチの汎用性を示す。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。
まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。
次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。
第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T17:07:33Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Nonlinearity, Feedback and Uniform Consistency in Causal Structural
Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。
この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文 参考訳（メタデータ） (2023-08-15T01:23:42Z) - A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。
突発効果の非パラメトリック分解を可能にする最初の結果を証明する。
説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文 参考訳（メタデータ） (2023-06-08T09:40:28Z) - Quantify the Causes of Causal Emergence: Critical Conditions of
Uncertainty and Asymmetry in Causal Structure [0.5372002358734439]
統計的および情報理論に基づく因果関係の調査は、大規模モデルに興味深い、価値のある課題を提起している。
本稿では,その発生の理論的制約として,因果関係の数値的条件を評価するための枠組みを提案する。
論文 参考訳（メタデータ） (2022-12-03T06:35:54Z) - Systematic Evaluation of Causal Discovery in Visual Model Based
Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。
因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。
本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文 参考訳（メタデータ） (2021-07-02T05:44:56Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。