論文の概要: Biological Regulatory Network Inference through Circular Causal Structure Learning

• arxiv url: http://arxiv.org/abs/2511.02332v1
• Date: Tue, 04 Nov 2025 07:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.840224
• Title: Biological Regulatory Network Inference through Circular Causal Structure Learning
• Title（参考訳）: 循環因果構造学習による生物制御ネットワークの推論
• Authors: Hongyang Jiang, Yuezhu Wang, Ke Feng, Chaoyi Yin, Yi Chang, Huiyan Sun,
• Abstract要約: 因果推論は生物学的ネットワークを推定するための論理的アプローチと考えられている。 非線形構造方程式モデルと安定フィードバックループ条件制約を用いたSCALDという新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.14218591136392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biological networks are pivotal in deciphering the complexity and functionality of biological systems. Causal inference, which focuses on determining the directionality and strength of interactions between variables rather than merely relying on correlations, is considered a logical approach for inferring biological networks. Existing methods for causal structure inference typically assume that causal relationships between variables can be represented by directed acyclic graphs (DAGs). However, this assumption is at odds with the reality of widespread feedback loops in biological systems, making these methods unsuitable for direct use in biological network inference. In this study, we propose a new framework named SCALD (Structural CAusal model for Loop Diagram), which employs a nonlinear structure equation model and a stable feedback loop conditional constraint through continuous optimization to infer causal regulatory relationships under feedback loops. We observe that SCALD outperforms state-of-the-art methods in inferring both transcriptional regulatory networks and signaling transduction networks. SCALD has irreplaceable advantages in identifying feedback regulation. Through transcription factor (TF) perturbation data analysis, we further validate the accuracy and sensitivity of SCALD. Additionally, SCALD facilitates the discovery of previously unknown regulatory relationships, which we have subsequently confirmed through ChIP-seq data analysis. Furthermore, by utilizing SCALD, we infer the key driver genes that facilitate the transformation from colon inflammation to cancer by examining the dynamic changes within regulatory networks during the process.
• Abstract（参考訳）: 生物学的ネットワークは、生物学的システムの複雑さと機能の解読において重要である。 因果推論は、単に相関に依存するのではなく、変数間の相互作用の方向と強さを決定することに焦点を当てており、生物学的ネットワークを推定するための論理的アプローチと考えられている。 因果構造推論の既存の方法は通常、変数間の因果関係は有向非巡回グラフ(DAG)で表せると仮定する。 しかし、この仮定は生物学的システムにおける広範なフィードバックループの現実とは相反するものであり、これらの手法は生物学的ネットワーク推論において直接の使用には適さない。 本研究では,非線形構造方程式モデルと安定フィードバックループ条件制約を用いたSCALD(Structural CAusal Model for Loop Diagram)という新しいフレームワークを提案する。 我々はSCALDが転写制御ネットワークとシグナル伝達ネットワークの両方を推定する最先端の手法より優れていることを観察した。 SCALDは、フィードバックレギュレーションの特定において、相応の利点があります。 転写因子(TF)摂動データ解析により,SCALDの精度と感度をさらに検証した。 さらにSCALDは、ChIP-seqデータ解析によって確認された、これまで未知の規制関係の発見を容易にする。 さらに,SCALDを利用して,大腸炎症から癌への転換を促進する重要なドライバ遺伝子を,プロセス中の規制ネットワーク内の動的変化を調べることによって推定する。

関連論文リスト

• Causal Operator Discovery in Partial Differential Equations via Counterfactual Physics-Informed Neural Networks [0.0]
  物理インフォームドニューラルネットワークと対実最小化を用いた偏微分方程式(PDE)の因果構造を発見するための原理的枠組みを開発する。 気候力学,腫瘍拡散,海流の総合的および実世界のデータセット上で,この枠組みを検証した。 本研究は、因果的PDE発見を、構造因果モデルと変分残差解析に基づく、抽出可能かつ解釈可能な推論タスクとして位置づける。
  論文  参考訳（メタデータ） (2025-06-25T07:15:42Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  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に基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 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優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Network-based Neighborhood regression [0.0]
  生物学的モジュールの現在の統計分析は、ネットワークデータを用いることなく、生物学的ネットワーク内の機能モジュールを検出するか、または生物学的特徴のサブグループ回帰を検出することに焦点を当てている。 本稿では,グローバルなコミュニティレベルの情報と,エンティティ間のローカル接続構造に依存する,新たなネットワークベースの地区回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-04T18:08:40Z)
• 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)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Prequential MDL for Causal Structure Learning with Neural Networks [9.669269791955012]
  ベイジアンネットワークの実用的スコアリング関数を導出するために,事前最小記述長の原理が利用できることを示す。 我々は、調整しなければならない事前やその他の正規化子を誘導するスパーシリティに頼ることなく、可塑性および擬似グラフ構造を得る。 本研究は, 適応速度から因果構造を推定する最近の研究と, 分布変化の源泉から観測結果が得られた場合の因果構造との関係について考察する。
  論文  参考訳（メタデータ） (2021-07-02T22:35:21Z)
• A simple normative network approximates local non-Hebbian learning in the cortex [12.940770779756482]
  神経科学実験は、皮質ニューロンによる感覚入力の処理は、指示信号によって変調されることを示した。 ここでは、規範的なアプローチを採用し、フィードフォワードデータの投影を導く監督的な入力として、これらの命令信号をモデル化する。 オンラインアルゴリズムは、シナプス学習規則が大脳皮質で観察されるカルシウムプラトー電位依存的な可塑性に類似しているニューラルネットワークによって実装することができる。
  論文  参考訳（メタデータ） (2020-10-23T20:49:44Z)

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。