联合估计来自观测和干预基因表达数据的因果效应

背景：近年来，从转录组数据推断基因调控网络已成为一个广泛的研究领域。提出的方法主要基于对观测野生型数据使用图高斯模型，并提供无法准确突出基因间因果关系的无向图。在本工作中，我们试图通过联合建模观测转录组数据与通过对部分基因进行敲除或敲低获得的干预数据，来改进基因间因果效应的估计。通过检查此类表达扰动对其他基因的影响，与仅使用野生型数据相比，可以获得更准确的调控关系反映。结果：在高斯贝叶斯网络的框架下，我们提出了一种带有 Mallows 模型和解析似然最大化的马尔可夫链蒙特卡洛算法，用于从因果节点排序的后验分布中采样，进而估计因果效应。所提出算法相对于先前方法的主要优势在于，它具有灵活性以适应任何类型的干预设计，包括部分或多重敲除实验。方法在模拟数据以及 DREAM 2007 挑战赛的数据上进行了比较。结论：模拟研究证实了仅凭观测数据无法估计基因的因果排序。在大多数情况下，发现所提出的算法在因果效应估计的准确性方面优于先前提出的方法。此外，与单次敲除相比，多重敲除被证明能带来有价值的额外信息。因此，选择最优干预设计似乎是因果推断的一个关键方面，也是未来研究的一个有趣挑战。