[論文レビュー] Nonparametric causal discovery with applications to cancer bioinformatics

Jean‐Pierre Gomez|arXiv (Cornell University)|Jun 28, 2023

Bioinformatics and Genomic NetworksBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本稿では、確率的因果関係と因果的十分性に基づく非パrametricな因果発見アルゴリズムを提案し、前立腺がんと正常組織からのバイナリーゲノム発現データにおける原因-効果関係を同定する。この手法は、推移的かつ冗長なアークを検出することで因果グラフを構築し、誤った接続を排除し、主成分分析（PCA）に基づく遺伝子ランク付けと照合することで、一貫性のある上位ランクの遺伝子とがん発症に関連する安定的かつ解釈可能な遺伝的不規制ネットワークを達成する。

ABSTRACT

Many natural phenomena are intrinsically causal. The discovery of the cause-effect relationships implicit in these processes can help us to understand and describe them more effectively, which boils down to causal discovery about the data and variables that describe them. However, causal discovery is not an easy task. Current methods for this are extremely complex and costly, and their usefulness is strongly compromised in contexts with large amounts of data or where the nature of the variables involved is unknown. As an alternative, this paper presents an original methodology for causal discovery, built on essential aspects of the main theories of causality, in particular probabilistic causality, with many meeting points with the inferential approach of regularity theories and others. Based on this methodology, a non-parametric algorithm is developed for the discovery of causal relationships between binary variables associated to data sets, and the modeling in graphs of the causal networks they describe. This algorithm is applied to gene expression data sets in normal and cancerous prostate tissues, with the aim of discovering cause-effect relationships between gene dysregulations leading to carcinogenesis. The gene characterizations constructed from the causal relationships discovered are compared with another study based on principal component analysis (PCA) on the same data, with satisfactory results.

研究の動機と目的

• 強いパラメトリック仮定を必要とせず、大規模な生物学的データセットにスケーラブルな非パラメトリック因果発見手法の開発。
• 前立腺がんと正常組織におけるバイナリーゲノム発現状態間の因果関係のモデル化。
• PCAなどの既存手法と照合する因果グラフの構築を通じて、がん発症の主要な遺伝的駆動要因の同定。
• 特に未知変数型を有する高次元で複雑な生物学的データにおいて、既存の因果発見ツールの限界の解消。
• がん発症に関連する最小限の遺伝子パネルおよび因果鎖を同定する計算効率的で解釈可能なフレームワークの提供。

提案手法

• アルゴリズムは、確率的因果関係に基づく因果的十分性フレームワークを用い、物質的含意と連関表を用いて原因-効果関係をモデル化する。
• 三角形解析を用いて推移的経路および冗長アークを検出し、誤った接続および冗長接続を削除するための優先度ベースの削除順序を適用する。
• ローインジャー係数を用いてバイナリーデータ間の因果的強度を定量化し、アークの方向性とネットワーク構築をガイドする。
• 隣接する三角形における矛盾解消に基づき誤ったアークを除去し、推移性制約を強制するグラフ簡略化パイプラインを実装する。
• 最適化されたデータ構造（ソート済み隣接リストおよび辞書ベースの検索）を用いたC++による擬似コードベースの実装を適用する。
• 因果ネットワーク内の中心的ノードを同定するPageRankベースの遺伝子ランク付けシステムを統合し、PCAから得られる遺伝子重要性と照合する。

Figure 2.1: First case of adjacent triangles, with conflict for the elimination of spurious arcs

実験結果

リサーチクエスチョン

• RQ1 パラメトリック分布の仮定をせず、高次元でバイナリーデータである遺伝子発現データにおいて、非パラメトリック因果発見アルゴリズムが原因-効果関係を効果的に同定できるか。
• RQ2 提案手法は、前立腺がん進行に関連する生物学的に意味のある遺伝子をPCAと比較してどれほど効果的に同定できるか。
• RQ3 誤ったアークおよび冗長アークの削除順序が、得られる因果グラフの安定性および解釈可能性に与える影響は何か。
• RQ4 アルゴリズムは、がん発症における既知または妥当な遺伝的不規制因果鎖を回復できるか。
• RQ5 サンプルサイズが増加するに従い、因果グラフ構造はどの程度収束するか。また、同定された因果関係はどの程度頑健か。

主な発見

• アルゴリズムは、前立腺腺がんにおける遺伝的変異の因果グラフを効果的に構築した。PageRankによる上位15遺伝子は、PCAベースの解析で同定された遺伝子と一致または重複した。
• SLC39A2、ACTC1、SEMG1などの遺伝子は、それぞれ43、159、24の高いPageRankスコアを示し、複数の解析において一貫して高いランクを維持した。
• 対比度 >5% の遺伝子によって誘導される部分グラフはスケールフリーの次数分布を示し、因果ネットワーク内に高接続のハブ遺伝子が存在することを示した。
• 簡略化されたグラフにおいて対比度 >5% の8遺伝子が同定され、P63 や KRT5 といった既知のがん関連遺伝子が含まれており、生物学的妥当性を示した。
• 因果グラフからのPageRankランク付けはPCAからのものと強く相関しており、アルゴリズムが生物学的に意味のある遺伝子重要性を回復できることを検証した。
• サンプルサブセットを変更してもグラフ構造に安定性を示し、サンプルサイズの増加に伴う収束パターンから、信頼性の高い推論が可能であることが示された。

Figure 2.2: Second case of adjacent triangles, with conflict for the elimination of spurious arcs