[論文レビュー] Cyclic Causal Discovery from Continuous Equilibrium Data

Joris M. Mooij, Tom Heskes|arXiv (Cornell University)|Sep 26, 2013

Gene Regulatory Network Analysis参考文献 18被引用数 25

ひとこと要約

本論文は、連続的平衡データからサイクルを持つ因果構造を非パラメトリックに同定する手法を提案する。非線形メカニズムの局所線形近似を、異なる実験条件下で用いる。この手法は、フローサイトメトリーによるデータからシグナリングネットワークにおけるフィードバックループを的確に同定でき、線形モデルに比べて適合度が優れており、複雑さは同等を維持する。

ABSTRACT

We propose a method for learning cyclic causal models from a combination of observational and interventional equilibrium data. Novel aspects of the proposed method are its ability to work with continuous data (without assuming linearity) and to deal with feedback loops. Within the context of biochemical reactions, we also propose a novel way of modeling interventions that modify the activity of compounds instead of their abundance. For computational reasons, we approximate the nonlinear causal mechanisms by (coupled) local linearizations, one for each experimental condition. We apply the method to reconstruct a cellular signaling network from the flow cytometry data measured by Sachs et al. (2005). We show that our method finds evidence in the data for feedback loops and that it gives a more accurate quantitative description of the data at comparable model complexity.

研究の動機と目的

• 線形性を仮定せずに、連続的平衡データからサイクルを持つ因果モデルを学習する手法を開発すること。
• 特にシグナリングネットワークのような生物学的システムにおいて顕著なフィードバックループを扱えること。
• 化合物の濃度ではなく、活性度を変化させる干渉をモデル化することにより、実験的操作の新しいアプローチを提供すること。
• 複雑な生物学的データを高精度に表現しつつ、モデルの複雑さを低く保つこと。
• サイクルや非線形性のため、従来の制約ベースやスコアベースの手法が失敗するようなシステムにおいて因果発見を可能にすること。

提案手法

• 観測データと干渉データの両方の平衡状態を用いて、因果関係を同定する。各条件下でシステムが安定状態に達すると仮定する。
• 非線形因果メカニズムを、各実験条件下ごとの局所線形化により近似することで、取り扱い可能な推論を可能にする。
• 結合された局所線形化を用いて、干渉がシステムダイナミクスに与える影響、特に化合物活性度の変化をモデル化する。
• 平衡データの構造を活用して、サイクルが存在する中でも因果順序やフィードバックループを同定する。
• モデルの適合度と複雑さのバランスを取るために、スコアベースの最適化フレームワークを採用する。
• 本手法は、Sachsら（2005）の実際のフローサイトメトリーデータを用いて検証され、細胞シグナリング経路をモデル化している。

実験結果

リサーチクエスチョン

• RQ1 線形性を仮定せずに、連続的平衡データから信頼性高くサイクルを持つ因果構造を同定できるか？
• RQ2 濃度ではなく化合物活性度を変化させる干渉を、因果発見においてどのようにモデル化できるか？
• RQ3 平衡データを用いて、生物学的シグナリングネットワークにフィードバックループの証拠を検出できるか？
• RQ4 本手法は、実際の生物学的データにおいて、線形モデルや非サイクル因果モデルに比べて適合度が優れているか？
• RQ5 局所線形近似は、変化する実験条件下における複雑なシステムの非線形メカニズムを効果的に捉えられるか？

主な発見

• 本手法は、Sachsら（2005）のデータから細胞シグナリングネットワークにおけるフィードバックループを的確に同定し、その存在に対する実証的証拠を提供した。
• 提案モデルは、線形モデルと同等のモデル複雑さであるにもかかわらず、データへの定量的適合度が顕著に優れていた。
• 局所線形近似の使用により、平衡データにおける非線形ダイナミクスの正確なモデル化が可能になった。
• 化合物活性度を変化させる干渉は、濃度ベースの干渉よりも生物学的に現実的である表現を提供し、効果的にモデル化された。
• 本手法は、シグナリングネットワークの真のダイナミクスを捉える点で、標準的な線形因果発見手法を上回った。
• 結果から、サイクルを持つ非線形メカニズムを有する因果モデルが、非サイクル的または線形モデルに比べ、複雑な生物学的システムに対してより適切であることが示された。