論文の概要: Causal ASCEND: Scalable Two-tier Causal Discovery on High Dimensional Multi-omics Data

• arxiv url: http://arxiv.org/abs/2607.04527v1
• Date: Sun, 05 Jul 2026 22:22:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.970652
• Title: Causal ASCEND: Scalable Two-tier Causal Discovery on High Dimensional Multi-omics Data
• Title（参考訳）: Causal ASCEND:高次元マルチオミクスデータによるスケーラブルな2層因果発見
• Authors: Stephen Asiedu, David Watson,
• Abstract要約: ASCENDは、既知の2層構造を利用してゲノムスケールの因果発見を可能にする制約ベースのフレームワークである。 ASCENDは、祖先関係を正確に回復し、既存の遺伝子制御ネットワーク推論手法よりも適切に、はるかに高速にスケールする。 上流レギュレータ(SNP、メチル化部位など)と下流応答(遺伝子発現など)を共同で測定するマルチオミックデータの統合に特に適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological systems exhibit a hierarchical structure, characterised by directed flow from upstream regulators to downstream effects. Although this ordering provides a natural scaffold for causal inference, most causal discovery and GRN methods either ignore the tiered organisation or condition on all upstream variables, which becomes infeasible for high-dimensional omics data. We present ASCEND (Ancestral Scalable Causal discovEry via iNherited Descent), a constraint-based framework that leverages known two-tiered structure to enable genome-scale causal discovery. ASCEND introduces a divide-and-conquer strategy that maintains dynamically updated ancestral conditioning sets for each downstream variable, dramatically reducing the number of conditional independence tests required, and achieves polynomial-time complexity where traditional approaches face exponential blow-up. Through extensive simulations and real biological data, we demonstrate that ASCEND accurately recovers ancestral relationships, scales properly and much faster, and outperforms existing gene regulatory network inference methods in both causal precision and computational efficiency. The algorithm's ability to resolve directionality makes it particularly suited for integrating multi-omic data where upstream regulators (e.g., SNPs, methylation sites) and downstream responses (e.g., gene expression) are measured jointly.
• Abstract（参考訳）: 生物系は、上流レギュレータから下流効果への直接流れによって特徴づけられる階層構造を示す。 この順序付けは因果推論に自然な足場を提供するが、ほとんどの因果発見とGRN法は、高次元のオミクスデータでは不可能となる上流変数の結合組織や条件を無視している。 ASCEND(Ancestral Scalable Causal DiscovEry via iNherited Descent)は、既知の2層構造を利用してゲノムスケールの因果発見を可能にする制約ベースのフレームワークである。 ASCENDは、ダウンストリーム変数ごとに動的に更新された祖先条件セットを維持し、必要となる条件付き独立テストの数を劇的に減らし、従来のアプローチが指数関数的爆破に直面する多項式時間複雑性を実現する、分割・対数戦略を導入している。 広範囲なシミュレーションと実生物学的データにより、ASCENDは祖先関係を正確に復元し、適切にスケールし、より高速にスケールし、因果精度と計算効率の両方で既存の遺伝子制御ネットワーク推論手法より優れていることを示す。 アルゴリズムの方向性を解決する能力は、上流レギュレータ(eg, SNPs, メチル化部位)と下流応答(eg, 遺伝子発現)を共同で測定するマルチオミックデータの統合に特に適している。

関連論文リスト

• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• PACER: Acyclic Causal Discovery from Large-Scale Interventional Data [8.724450642752103]
  PACERは、建設による非循環を保証する因果発見のためのスケーラブルなフレームワークである。 観測データと介入データの統一的処理を支援する。 タンパク質シグナリングと大規模な遺伝的摂動ベンチマークの最先端の手法を一致または超える。
  論文  参考訳（メタデータ） (2026-05-14T19:26:53Z)
• Learning Causality for Longitudinal Data [1.2691047660244335]
  この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。 最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。 第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。 第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
  論文  参考訳（メタデータ） (2025-12-04T16:51:49Z)
• Differentiable Cyclic Causal Discovery Under Unmeasured Confounders [11.594415886406553]
  DCCD-CONFは、計測されていない共同創設者の存在下での非線形環状因果グラフの微分可能学習のための新しいフレームワークである。 我々は,DCCD-CONFが因果グラフの回復と共同設立者の識別において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-11T20:13:34Z)
• 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)
• 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)

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。