論文の概要: Gene Regulatory Network Inference in the Presence of Selection Bias and Latent Confounders

• arxiv url: http://arxiv.org/abs/2501.10124v1
• Date: Fri, 17 Jan 2025 11:27:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 17:59:09.745733
• Title: Gene Regulatory Network Inference in the Presence of Selection Bias and Latent Confounders
• Title（参考訳）: 選択バイアスと潜在共同設立者の存在下での遺伝子制御ネットワーク推論
• Authors: Gongxu Luo, Haoyue Dai, Boyang Sun, Loka Li, Biwei Huang, Petar Stojanov, Kun Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.626706466908386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gene Regulatory Network Inference (GRNI) aims to identify causal relationships among genes using gene expression data, providing insights into regulatory mechanisms. A significant yet often overlooked challenge is selection bias, a process where only cells meeting specific criteria, such as gene expression thresholds, survive or are observed, distorting the true joint distribution of genes and thus biasing GRNI results. Furthermore, gene expression is influenced by latent confounders, such as non-coding RNAs, which add complexity to GRNI. To address these challenges, we propose GISL (Gene Regulatory Network Inference in the presence of Selection bias and Latent confounders), a novel algorithm to infer true regulatory relationships in the presence of selection and confounding issues. Leveraging data obtained via multiple gene perturbation experiments, we show that the true regulatory relationships, as well as selection processes and latent confounders can be partially identified without strong parametric models and under mild graphical assumptions. Experimental results on both synthetic and real-world single-cell gene expression datasets demonstrate the superiority of GISL over existing methods.
• Abstract（参考訳）: 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し、制御機構に関する洞察を提供することを目的としている。 選択バイアス(英: selection bias)とは、遺伝子発現閾値などの特定の基準を満たす細胞のみが生存または観察され、遺伝子の真の関節分布を歪め、GRNIの結果をバイアスするプロセスである。 さらに、遺伝子発現は、GRNIに複雑さをもたらす非コードRNAのような潜伏した共同設立者の影響を受けている。 これらの課題に対処するため,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。 複数の遺伝子摂動実験によって得られたデータを利用して、厳密なパラメトリックモデルや軽度のグラフィカルな仮定なしに、真の規制関係、選択プロセス、潜在的共同創設者を部分的に識別できることを示す。 合成および実世界の単細胞遺伝子発現データセットによる実験結果は、既存の方法よりもGISLの方が優れていることを示す。

関連論文リスト

• Beyond Independent Genes: Learning Module-Inductive Representations for Gene Perturbation Prediction [48.80217316452559]
  scBIGは、協調した遺伝子プログラムを明示的にモデル化するモジュール誘導予測フレームワークである。 scBIGは、特に目に見えない、摂動的な設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-03T16:43:40Z)
• Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data [16.805686863404077]
  後処理の選択は、介入の下で急激な依存関係や分布の変化をもたらす可能性がある。 治療後選択を明示的にモデル化する新たな因果関係定式化を導入し、介入に対する差分反応が選択パターンと因果関係を区別する方法について明らかにする。 我々は、因果関係、潜伏した共同設立者、および処理後の選択を最大$mathcalFI$-Markov同値まで識別するために、証明可能な健全かつ完全なアルゴリズムであるF-FCIを開発した。
  論文  参考訳（メタデータ） (2025-09-30T05:18:15Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Multi-omic Causal Discovery using Genotypes and Gene Expression [0.0]
  転写データの祖先関係を推定するための制約に基づく因果アルゴリズムであるGENESISを導入する。 遺伝子型を固定因果アンカーとして統合することにより、genESISは古典因果発見アルゴリズムに「原則的出発」を提供する。 この枠組みは、複雑な形質の因果経路を明らかにするための強力な経路を提供し、機能ゲノム学、薬物発見、精密医療への有望な応用を提供する。
  論文  参考訳（メタデータ） (2025-05-21T11:52:23Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• Learning to Discover Regulatory Elements for Gene Expression Prediction [59.470991831978516]
  Seq2Expは、ターゲット遺伝子発現を駆動する制御要素を発見し、抽出するために設計されたSequence to Expressionネットワークである。 本手法は, エピジェノミックシグナル, DNA 配列とその関連因子の因果関係を捉える。
  論文  参考訳（メタデータ） (2025-02-19T03:25:49Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,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 GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Cross-Attention Graph Neural Networks for Inferring Gene Regulatory Networks with Skewed Degree Distribution [9.919024883502322]
  クロスアテンション複合デュアルグラフ埋め込みモデル(XATGRN) 我々のモデルは、様々なデータセットで既存の最先端メソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-18T10:56:40Z)
• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• 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)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• Identifying the Attractors of Gene Regulatory Networks from Expression Data under Uncertainty: An Interpretable Approach [0.0]
  実際の遺伝子制御ネットワークの時間的遺伝子発現プロファイルを考慮すれば、アトラクタはどのように堅牢に識別できるのか? 本稿では,Zadeh Computing with Wordsに基づく新しいアプローチを用いて,この問題に対処する。 提案手法は、ファジィ論理と言語的記述の両方の観点から、時間的遺伝子発現データからアトラクタを効果的に識別することができる。
  論文  参考訳（メタデータ） (2024-03-16T20:56:22Z)
• GENER: A Parallel Layer Deep Learning Network To Detect Gene-Gene Interactions From Gene Expression Data [0.7660368798066375]
  本稿では,遺伝子発現データを用いた遺伝子関係の同定専用に設計された並列層深層学習ネットワークを提案する。 本モデルでは,BioGRIDとDREAM5の組み合わせによる平均AUROCスコア0.834を達成し,遺伝子間相互作用を予測する競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-10-05T15:45:53Z)
• Genetic heterogeneity analysis using genetic algorithm and network science [2.6166087473624318]
  ゲノムワイド・アソシエーション(GWAS)は、疾患に感受性のある遺伝的変数を同定することができる。 遺伝的効果に絡み合った遺伝的変数は、しばしば低い効果サイズを示す。 本稿では,FCSNet(Feature Co-Selection Network)という,GWASのための新しい特徴選択機構を提案する。
  論文  参考訳（メタデータ） (2023-08-12T01:28:26Z)
• Nonlinear Permuted Granger Causality [0.6526824510982799]
  グランガー因果推論(Granger causal inference)は、経済学から神経科学まで幅広い分野において用いられる、論争的だが広範な手法である。 サンプル外比較を可能にするために、共変集合の置換を用いて関数接続の尺度を明示的に定義する。 変分法の性能を, シミュレーションによる変分選択, ナイーブ置換, 省略技術と比較した。
  論文  参考訳（メタデータ） (2023-08-11T16:44:16Z)
• 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)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  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。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)

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。