利用概率提升推断癌症进展的树因果模型
统计理论
2015-05-26 v3 统计理论
摘要
现有的重构累积过程（如癌症）进展树模型的技术，试图通过结合相关性与时间优先性的频率主义概念来估计因果关系。在本文中，我们定义了一种名为 CAPRESE（CAncer PRogression Extraction with Single Edges）的新理论框架，用于基于 Suppes 定义的概率因果概念重构此类模型。我们考虑了一个一般的重构场景，其中由于生物变异以及实验或测量误差，数据中存在噪声。为了提高对噪声的容忍度，我们定义并使用了一种类似收缩的估计量。我们证明了算法的正确性，表明在温和的噪声水平约束下，算法能渐近收敛到正确的树结构。此外，在合成数据上，我们展示了该方法优于现有技术，即使在样本量相对较少时也具有高效性，且其性能随样本量增加迅速收敛至渐近值。对于利用不同技术获得的真实癌症数据集，我们强调了与其他竞争技术相比，所推断出的进展在生物学意义上的显著差异，并展示了如何利用进展模型验证推测的生物学关系。
引用
@article{arxiv.1311.6293,
title = {Inferring tree causal models of cancer progression with probability raising},
author = {Loes Olde Loohuis and Giulio Caravagna and Alex Graudenzi and Daniele Ramazzotti and Giancarlo Mauri and Marco Antoniotti and Bud Mishra},
journal= {arXiv preprint arXiv:1311.6293},
year = {2015}
}