[論文レビュー] Direct Estimation of Differences in Causal Graphs

Yuhao Wang, Chandler Squires+2 more|arXiv (Cornell University)|Feb 15, 2018

Bioinformatics and Genomic Networks参考文献 42被引用数 7

ひとこと要約

本論文は、それぞれの完全なモデルを別々に学習せずに、直接的に2つの因果DAGの差を推定する、証明可能に一貫性のある2段階手法を提案する。回帰係数と残差分散における不変性検定を用いて構造的変化を同定し、特にオランダ型がんにおけるPRKAR2Bのような主要な制御ハブを特定する。その方向性は、実行可能な治療標的を示す。

ABSTRACT

We consider the problem of estimating the differences between two causal directed acyclic graph (DAG) models with a shared topological order given i.i.d. samples from each model. This is of interest for example in genomics, where changes in the structure or edge weights of the underlying causal graphs reflect alterations in the gene regulatory networks. We here provide the first provably consistent method for directly estimating the differences in a pair of causal DAGs without separately learning two possibly large and dense DAG models and computing their difference. Our two-step algorithm first uses invariance tests between regression coefficients of the two data sets to estimate the skeleton of the difference graph and then orients some of the edges using invariance tests between regression residual variances. We demonstrate the properties of our method through a simulation study and apply it to the analysis of gene expression data from ovarian cancer and during T-cell activation.

研究の動機と目的

• 高次元設定において完全なDAG学習が一貫性を欠く場合に、因果ネットワークにおける構造的変化を検出する課題に対処すること。
• 2つの密なDAGを別々に学習した後で差を計算する必要がある従来手法の制限を克服すること。
• 2つの関連するデータセットからのi.i.d.標本のみを用いて、因果グラフの差を直接かつ一貫して推定する手法を提供すること。
• 特にがんや免疫活性化の文脈において、生物学的に意味のある制御変化を同定すること。
• 差グラフにおける方向性が、例えば出次数が大きいハブ遺伝子である介入標的を明らかにすることを示すこと。

提案手法

• まず、2つのデータセット間の回帰係数における不変性検定を用いて、差グラフのスケルトンを推定する。
• 次に、回帰残差分散における不変性検定を用いて、差グラフの一部の辺を方向付ける。
• 下位のDAG構造と整合性を保つために、トポロジカル順序制約を活用する。
• チューニングパラメータを変化させた安定性選択を用いて、最終的な差DAGにおける頑健な辺を選択する。
• 複数のアルゴリズム（例：PC、GES）の結果を統合して、差推定の初期サポート集合を形成する。
• 不変性に基づくエッジ検出とスパarsity誘導選択を組み合わせて、差DAGモデルΔを構築する。

実験結果

リサーチクエスチョン

• RQ1 それぞれの完全なモデルを別々に学習せずに、2つの因果DAGの差を直接推定することは可能か？
• RQ2 完全なDAG学習が失敗する高次元設定において、差推定の一貫性を達成することは可能か？
• RQ3 回帰係数と残差分散における不変性をどのように活用して、因果ネットワークにおける構造的変化を検出できるか？
• RQ4 差グラフにおける方向性が、生物学的ネットワークにおける潜在的な治療標的を同定する上で果たす影響は何か？
• RQ5 実際の生物学的データにおいて、本手法は非有向差検出手法（例：DPM）と比べてどのように異なるか？

主な発見

• 提案手法は、オランダ型がんの差DAGにおいてPRKAR2Bを出次数が大きいハブとして正確に同定した。これは既知の治療標的であり、非有向手法では同定できない。
• TGF-β経路において、COMPとTHBS2がハブノードとして回復された。両者とも、オランダ型がんにおける化学療法抵抗性と関連づけられている。
• 非有向DPMモデルではエッジが1本であったCOMPとBMP7の間の関係が、本手法では2つの有向エッジ（BMP7→ID1 および COMP→ID1）によって説明され、因果的向きの重要性が浮き彫りになった。
• PCおよびGESアルゴリズムはアポトーシス経路においてハブノードを検出できなかったが、本手法はBIRC3およびPRKAR2Bを主要なハブとして同定した。
• チューニングパラメータを変化させた安定性選択により、差DAGの頑健な推定が得られ、高次元設定における信頼性が向上した。
• 方向性情報を保持する点で、非有向差検出（例：DPM）を上回り、生物学的システムにおける干渉計画に不可欠な因果的向きの重要性を明らかにした。