論文の概要: CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data
- arxiv url: http://arxiv.org/abs/2210.17283v1
- Date: Mon, 31 Oct 2022 13:04:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 18:19:49.064589
- Title: CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data
- Title(参考訳): CausalBench: シングルセル摂動データによるネットワーク推論のための大規模ベンチマーク
- Authors: Mathieu Chevalley, Yusuf Roohani, Arash Mehrjou, Jure Leskovec,
Patrick Schwab
- Abstract要約: CausalBenchは、大規模摂動単細胞遺伝子発現データに基づくネットワーク推定手法を評価するための総合ベンチマークスイートである。
CaulBenchは、摂動下で生成された単一セルデータから遺伝子制御ネットワークの推論方法を評価するために、2つの大きく、キュレートされ、公開されているベンチマークデータセットを運用している。
- 参考スコア(独自算出の注目度): 61.088705993848606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mapping biological mechanisms in cellular systems is a fundamental step in
early-stage drug discovery that serves to generate hypotheses on what
disease-relevant molecular targets may effectively be modulated by
pharmacological interventions. With the advent of high-throughput methods for
measuring single-cell gene expression under genetic perturbations, we now have
effective means for generating evidence for causal gene-gene interactions at
scale. However, inferring graphical networks of the size typically encountered
in real-world gene-gene interaction networks is difficult in terms of both
achieving and evaluating faithfulness to the true underlying causal graph.
Moreover, standardised benchmarks for comparing methods for causal discovery in
perturbational single-cell data do not yet exist. Here, we introduce
CausalBench - a comprehensive benchmark suite for evaluating network inference
methods on large-scale perturbational single-cell gene expression data.
CausalBench introduces several biologically meaningful performance metrics and
operates on two large, curated and openly available benchmark data sets for
evaluating methods on the inference of gene regulatory networks from
single-cell data generated under perturbations. With real-world datasets
consisting of over \numprint{200000} training samples under interventions,
CausalBench could potentially help facilitate advances in causal network
inference by providing what is - to the best of our knowledge - the largest
openly available test bed for causal discovery from real-world perturbation
data to date.
- Abstract(参考訳): 細胞系における生物学的メカニズムのマッピングは、疾患関連分子標的が薬理学的介入によって効果的に調節されるかどうかの仮説を生成するのに役立つ、初期の薬物発見の基本的なステップである。
遺伝子摂動下での単一細胞遺伝子発現を高スループットで測定する手法が出現し, 因果遺伝子と遺伝子間の相互作用の証拠を大規模に生成する有効な手段が得られた。
しかし、実世界の遺伝子-遺伝子相互作用ネットワークで典型的に発生する大きさのグラフィカルネットワークの推定は、真の因果グラフの忠実性の実現と評価の両方において困難である。
さらに、摂動単細胞データにおける因果発見法を比較するための標準ベンチマークもまだ存在しない。
本稿では,大規模な摂動単細胞遺伝子発現データに基づくネットワーク推定手法を評価するためのベンチマークスイートCausalBenchを紹介する。
causorbenchは生物学的に有意義ないくつかのパフォーマンス指標を導入し、2つの大きな、キュレートされた、オープンに利用可能なベンチマークデータセットで動作し、摂動下で生成された単一細胞データから遺伝子制御ネットワークの推論方法を評価する。
CausalBenchは、介入中のnumprint{200000}トレーニングサンプルからなる実世界のデータセットを使用することで、これまでの現実世界の摂動データから因果関係を発見するための、最大規模の公開テストベッドを提供することによって、因果関係推論の進歩を促進する可能性がある。
関連論文リスト
- Integrating Active Learning in Causal Inference with Interference: A
Novel Approach in Online Experiments [5.488412825534217]
ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。
ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。
データ要求の低減による精度の高い効果推定の実現可能性を示す。
論文 参考訳(メタデータ) (2024-02-20T04:13:59Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳(メタデータ) (2023-07-11T02:58:10Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal
Discovery [56.785518690320096]
本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。
GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。
我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
論文 参考訳(メタデータ) (2022-11-24T17:04:45Z) - Evaluating Causal Inference Methods [0.4588028371034407]
我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。
我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
論文 参考訳(メタデータ) (2022-02-09T00:21:22Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳(メタデータ) (2020-02-05T21:35:29Z) - Nonparametric inference for interventional effects with multiple
mediators [0.0]
より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。
提案した推定器の複数のロバスト性特性を示す。
本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
論文 参考訳(メタデータ) (2020-01-16T19:05:00Z)
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。