从非结构化数据自动发现成对相互作用
机器学习
2024-09-13 v1 机器学习
摘要
系统扰动之间的成对相互作用可提供揭示其底层机制因果依赖性的证据。当观察维度较低且为手工制作的测量时，检测相互作用等同于简单的统计检验，但要检测影响潜在变量的扰动之间的相互作用则并非易事。我们推导了两种基于成对干预的相互作用检验方法，并展示了这些检验如何集成到主动学习管道中，以高效发现扰动之间的成对相互作用。我们在生物学背景下展示了这些检验的价值，该领域常使用成对扰动实验来揭示无法从单个扰动中观察到的相互作用。我们的检验可在非结构化数据（如图像像素）上运行，这使得我们能够超越典型细胞活力实验所实现的更一般的相互作用概念，同时也可在成本较低的实验检验中运行。我们在多个合成和真实生物学实验中验证了这些检验能够有效识别相互作用的配对。我们评估了该方法在一个真实的生物学实验中，该实验中我们对50对基因进行敲除，并用显微镜图像测量其效果。我们表明，我们能够比随机搜索和标准主动学习基准显著恢复更多已知的生物学相互作用。
引用
@article{arxiv.2409.07594,
title = {Automated Discovery of Pairwise Interactions from Unstructured Data},
author = {Zuheng and Xu and Moksh Jain and Ali Denton and Shawn Whitfield and Aniket Didolkar and Berton Earnshaw and Jason Hartford},
journal= {arXiv preprint arXiv:2409.07594},
year = {2024}
}