論文の概要: Granger causal inference on DAGs identifies genomic loci regulating transcription

• arxiv url: http://arxiv.org/abs/2210.10168v1
• Date: Tue, 18 Oct 2022 21:15:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 15:30:59.566983
• Title: Granger causal inference on DAGs identifies genomic loci regulating transcription
• Title（参考訳）: DAGの顆粒因果推論による遺伝子座制御転写の同定
• Authors: Rohit Singh, Alexander P. Wu, Bonnie Berger
• Abstract要約: GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
• 参考スコア（独自算出の注目度）: 77.58911272503771
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: When a dynamical system can be modeled as a sequence of observations, Granger causality is a powerful approach for detecting predictive interactions between its variables. However, traditional Granger causal inference has limited utility in domains where the dynamics need to be represented as directed acyclic graphs (DAGs) rather than as a linear sequence, such as with cell differentiation trajectories. Here, we present GrID-Net, a framework based on graph neural networks with lagged message passing for Granger causal inference on DAG-structured systems. Our motivating application is the analysis of single-cell multimodal data to identify genomic loci that mediate the regulation of specific genes. To our knowledge, GrID-Net is the first single-cell analysis tool that accounts for the temporal lag between a genomic locus becoming accessible and its downstream effect on a target gene's expression. We applied GrID-Net on multimodal single-cell assays that profile chromatin accessibility (ATAC-seq) and gene expression (RNA-seq) in the same cell and show that it dramatically outperforms existing methods for inferring regulatory locus-gene links, achieving up to 71% greater agreement with independent population genetics-based estimates. By extending Granger causality to DAG-structured dynamical systems, our work unlocks new domains for causal analyses and, more specifically, opens a path towards elucidating gene regulatory interactions relevant to cellular differentiation and complex human diseases at unprecedented scale and resolution.
• Abstract（参考訳）: 力学系を一連の観測としてモデル化できる場合、グランガー因果関係は変数間の予測的相互作用を検出する強力なアプローチである。 しかし、従来のグランガー因果推論は、細胞分化軌跡のような線形列ではなく、動的を有向非巡回グラフ(DAG)として表現する必要がある領域において、有効性に制限されている。 本稿では,DAG構造系におけるGranger因果推論のために,タグ付きメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークGrID-Netを提案する。 我々のモチベーション応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一細胞マルチモーダルデータの解析である。 我々の知る限り、GrID-Netはゲノム座間の時間的遅延と標的遺伝子の発現に対する下流の影響を考慮に入れた最初の単細胞解析ツールである。 我々はGrID-Netを同一細胞におけるプロファイルクロマチンアクセシビリティ(ATAC-seq)と遺伝子発現(RNA-seq)のマルチモーダル単細胞アッセイに応用し、制御遺伝子リンクを推定する既存の手法を劇的に上回り、最大71%の個体群遺伝学的推定値と一致した。 グリガー因果関係をdag構造力学系に拡張することにより,新しいドメインを解き明かして因果解析を行い,より具体的には,前例のない規模で細胞分化や複雑なヒト疾患に関連する遺伝子制御相互作用を解明する道を開く。

関連論文リスト

• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
  単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。 本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。 本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:42:08Z)
• Inference of dynamical gene regulatory networks from single-cell data with physics informed neural networks [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を用いて,予測的,動的 GRN のパラメータを推定する方法について述べる。 具体的には, 分岐挙動を示すGRNについて検討し, 細胞分化をモデル化する。
  論文  参考訳（メタデータ） (2024-01-14T21:43:10Z)
• Causal Inference in Gene Regulatory Networks with GFlowNet: Towards Scalability in Large Systems [87.45270862120866]
  我々は、GRNにおける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を紹介した。 具体的には、Swift-DynGFNは、並列化を高め、計算コストを下げるために、遺伝子的に独立性を利用する。
  論文  参考訳（メタデータ） (2023-10-05T14:59:19Z)
• Stability Analysis of Non-Linear Classifiers using Gene Regulatory Neural Network for Biological AI [2.0755366440393743]
  二重層転写翻訳化学反応モデルを用いた遺伝子パーセプトロンの数学的モデルを構築した。 我々は全接続GRNNサブネットワーク内の各遺伝子パーセプトロンの安定性解析を行い、時間的および安定した濃度出力を決定する。
  論文  参考訳（メタデータ） (2023-09-14T21:37:38Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Topological Data Analysis in Time Series: Temporal Filtration and Application to Single-Cell Genomics [13.173307471333619]
  単細胞トポロジカル単純解析(scTSA)を提案する。 このアプローチを細胞の局所ネットワークから単細胞遺伝子発現プロファイルに適用すると、これまで見つからなかった細胞生態のトポロジーが明らかになる。 38,731細胞,25細胞タイプ,12時間ステップにまたがるゼブラフィッシュ胚発生の単一細胞RNA-seqデータに基づいて,本研究は胃粘膜を最も重要な段階として強調する。
  論文  参考訳（メタデータ） (2022-04-29T12:46:14Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• Interpretable Models for Granger Causality Using Self-explaining Neural Networks [4.56877715768796]
  本論文では,自己記述型ニューラルネットワークの拡張に基づく非線形ダイナミクス下でのGranger因果関係を推定するための新しいフレームワークを提案する。 このフレームワークは、Granger因果関係を推測する他のニューラルネットワークベースのテクニックよりも解釈可能である。
  論文  参考訳（メタデータ） (2021-01-19T12:59:00Z)

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。