Do-演算支持部分观测生物分子通路中因果效应的估计
机器学习
2022-10-26 v2
摘要
估计因果查询（例如扰动下蛋白质丰度的变化）是生物分子通路分析中的基本任务。该估计需要对通路组件进行实验测量。然而，实践中许多通路组件未被观测（隐变量），因为它们或是未知，或是难以测量。隐变量模型（LVMs）非常适用于此类估计。不幸的是，当隐变量的参数未被唯一识别，或隐变量数量被错误指定时，基于 LVM 的因果查询估计可能不准确。这限制了 LVMs 在生物分子通路因果推断中的使用。在本稿中，我们提出一种通用且实用的基于 LVM 的因果查询估计方法。我们证明，尽管存在上述挑战，若查询根据 Pearl 的 do-演算是可识别的，则基于 LVM 的因果查询估计量是准确的，并描述其估计算法。我们在四个合成和两个实验案例研究中说明了该方法在估计生物分子通路因果查询上的广泛性与实用效用，其中生物分子通路的结构对现有因果查询估计方法构成挑战。记录所有案例研究的代码与数据可在 \url{https://github.com/srtaheri/LVMwithDoCalculus} 获取。
引用
@article{arxiv.2102.06626,
title = {Do-calculus enables estimation of causal effects in partially observed biomolecular pathways},
author = {Sara Mohammad-Taheri and Jeremy Zucker and Charles Tapley Hoyt and Karen Sachs and Vartika Tewari and Robert Ness and and Olga Vitek},
journal= {arXiv preprint arXiv:2102.06626},
year = {2022}
}
备注
https://academic.oup.com/bioinformatics/article/38/Supplement_1/i350/6617530