[論文レビュー] Causal Imputation via Synthetic Interventions

Chandler Squires, Dennis Shen+3 more|arXiv (Cornell University)|Nov 5, 2020

Advanced Causal Inference Techniques参考文献 21被引用数 6

ひとこと要約

本稿では、正則化回帰を用いてドナー行動から合成行動を構築することで、未検証の文脈（例：細胞株）における行動（例：化合物）の効果を予測する、合成介入を拡張した新規な因果的補完手法SI-Aを提案する。潜在的要因モデルの下でSI-Aは有効な因果推定を提供し、CMAPデータセットにおいてベースラインを上回り、中央NRMSEが0.34、コサイン類似度が0.68を達成——これは次善のベースラインよりも顕著に優れている。

ABSTRACT

Consider the problem of determining the effect of a compound on a specific cell type. To answer this question, researchers traditionally need to run an experiment applying the drug of interest to that cell type. This approach is not scalable: given a large number of different actions (compounds) and a large number of different contexts (cell types), it is infeasible to run an experiment for every action-context pair. In such cases, one would ideally like to predict the outcome for every pair while only having to perform experiments on a small subset of pairs. This task, which we label "causal imputation", is a generalization of the causal transportability problem. To address this challenge, we extend the recently introduced synthetic interventions (SI) estimator to handle more general data sparsity patterns. We prove that, under a latent factor model, our estimator provides valid estimates for the causal imputation task. We motivate this model by establishing a connection to the linear structural causal model literature. Finally, we consider the prominent CMAP dataset in predicting the effects of compounds on gene expression across cell types. We find that our estimator outperforms standard baselines, thus confirming its utility in biological applications.

研究の動機と目的

• すべての行動-文脈ペアをテストすることが不可能な、特にドラッグ再利用のような生物学的応用における因果推定のスケーラビリティ課題に対処すること。
• 行動-文脈結果データにおける任意のスパarsityパターンを扱えるように、合成介入（SI）推定器を一般化すること。
• 行動および文脈の両方の全データを活用して、より優れた反事実予測を実現する手法を開発すること。
• 潜在的要因モデルの下で理論的妥当性を確立し、線形構造的因果モデルと接続すること。
• CMAPデータセット上で実験的に手法を検証し、未知の細胞株における化合物効果の予測において優れた性能を示すこと。

提案手法

• 元の合成介入（SI）推定器を拡張し、文脈（細胞株）の次元ではなく行動（化合物）の次元に沿って回帰することで、合成行動の構築を可能にする。
• 正則化回帰を用いて、ドナー行動を組み合わせる重みを学習し、その合成行動を用いてターゲット文脈における結果を予測する。
• 行動および文脈の両方の全データを活用して回帰モデルを訓練することで、データ効率性とロバスト性を向上させる。
• 同定可能性および因果推定の妥当性を保証するため、潜在的要因モデルの仮定を採用する。
• 線形構造的因果モデルとの接続を通じてSIフレームワークを再解釈し、理論的根拠を提供する。
• CMAPデータセットにこの手法を適用し、70種の細胞株における20,000化合物の遺伝子発現シグネチャーを用いて、観測されていない行動-文脈効果を予測する。

実験結果

リサーチクエスチョン

• RQ1 観測された行動-文脈結果のスパースサブセットのみを用いて、その行動が適用されていない文脈における結果を正確に予測できるか？
• RQ2 構造的なデータスパarsityがある状況において、文脈の次元ではなく行動の次元に沿って回帰することで、より優れた反事実予測が得られるか？
• RQ3 合成介入推定器が、観測されていない行動-文脈ペアに対して有効な因果推定を提供するのはどのような条件下か？
• RQ4 手法の性能は、ドナー行動数およびトレーニング文脈数にどのように依存するか？
• RQ5 実世界の生物学的データセット（例：CMAP）において、潜在的要因モデルの仮定は妥当といえるか？また、正確な因果的補完を可能にするか？

主な発見

• SI-AはCMAPデータセットで中央NRMSEが0.34を達成し、最も近いベースライン（NRMSE 0.41）を顕著に上回った。
• SI-Aは予測された効果と真の効果のコサイン類似度を、最高のベースラインの0.44から0.68に向上させ、実際の生物学的効果とより良い一致を示した。
• 手法の性能はドナー行動数およびトレーニング文脈数に強く依存しており、両者が増加するにつれて顕著な性能向上が見られた。
• CMAPデータセットの特異値スペクトルの可視的分析により、低ランク構造（上位53成分で分散の95％を説明）が確認され、潜在的要因モデルの仮定を支持した。
• 仮定2（行動効果の不変性）の検定統計量は、行動に沿って回帰した場合に低く、これがSI-AがSI-C（文脈に沿って回帰）を上回る理由を説明している。
• SI-Aは元のSI推定器を顕著に上回り、この生物学的設定において行動の不変性をモデル化することが、文脈の不変性をモデル化するよりも効果的であることを示した。