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

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。 このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。 また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Gene Regulatory Network Inference in the Presence of Selection Bias and Latent Confounders [14.626706466908386]
  Gene Regulatory Network Inference (GRNI) は遺伝子発現データを用いて遺伝子間の因果関係を同定することを目的としている。 遺伝子発現は非コーディングRNAのような潜伏した共同設立者の影響を受けており、GRNIに複雑さを増す。 本稿では,選択バイアスと潜在的共同設立者の存在下でのGISL(Gene Regulatory Network Inference in the presence of Selection bias and Latent Confounders)を提案する。
  論文  参考訳（メタデータ） (2025-01-17T11:27:58Z)
• Interpretable Neural ODEs for Gene Regulatory Network Discovery under Perturbations [4.34315395377214]
  本稿では、生物学的に有意な神経常微分方程式(ニューラル・オード)を組み込んだ新しいフレームワークであるPerturbODEを提案し、摂動下での細胞状態の軌跡をモデル化する。 シミュレーションおよび実際の過剰表現データセット間での軌道予測とGRN推論におけるPerturbODEの有効性を実証する。
  論文  参考訳（メタデータ） (2025-01-05T01:04:23Z)
• Granger Causality Detection with Kolmogorov-Arnold Networks [20.96356350801151]
  本研究は神経顆粒因性モデルの定義に寄与する。 我々は,Granger Causality Kan(GC-KAN)と呼ばれるフレームワークを開発し,Granger Causality Detectionに特化したトレーニング手法を開発した。 以上の結果から, Kas が Kolmogorov-Arnoldgressive Network (KAN) より優れている可能性が示唆された。
  論文  参考訳（メタデータ） (2024-12-19T20:10:34Z)
• A Misclassification Network-Based Method for Comparative Genomic Analysis [3.7671415694914927]
  メタデータに基づくゲノム配列の分類は、数十年間、比較ゲノム学において活発な研究領域であった。 本研究では、AIとネットワークサイエンスのアプローチを統合し、比較ゲノム分析フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-12-09T23:22:15Z)
• 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)
• 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)
• 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)
• 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)

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。