[논문 리뷰] Direct Estimation of Differences in Causal Graphs

Yuhao Wang, Chandler Squires외 2명|arXiv (Cornell University)|2018. 02. 15.

Bioinformatics and Genomic Networks참고 문헌 42인용 수 7

한 줄 요약

이 논문은 전체 모델을 별도로 학습하지 않고도 두 개의 인과적 DAG 간의 차이를 직접적으로 추정할 수 있는 증명 가능하게 일致된 이중 단계 방법을 제안한다. 회귀 계수와 잔차 분산에 대한 불변성 검증을 통해 구조적 변화를 식별함으로써, 난소암에서의 PRKAR2B와 같은 핵심 조절 허브를 발견할 수 있으며, 이들의 방향성은 임상적으로 적용 가능한 치료 타겟을 드러낸다.

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.

연구 동기 및 목표

• 고차원 설정에서 전체 DAG 학습이 일관성 없을 때 인과 네트워크의 구조적 변화를 탐지하는 데 도전하는 것.
• 두 개의 조밀한 DAG를 별도로 학습한 후에야만 차이를 계산할 수 있는 기존 방법의 한계를 극복하는 것.
• 두 개의 관련된 데이터 세트에서의 i.i.d. 표본만을 사용하여 인과 그래프의 차이를 직접적으로 일致되게 추정하는 방법을 제공하는 것.
• 특히 암 및 면역 활성화 환경에서 생물학적으로 의미 있는 조절 변화를 식별하는 것.
• 차이 그래프에서의 방향성이 암호화된 간섭 타겟, 예를 들어 고출력 차수를 가진 허브 유전자를 드러내는 방식으로 행동 가능한 치료 타겟을 밝혀내는 것.

제안 방법

• 두 데이터 세트 간의 회귀 계수에 대한 불변성 검증을 사용하여 차이 그래프의 스켈레톤을 추정한다.
• 잔차 분산에 대한 불변성 검증을 적용하여 차이 그래프의 일부 간선을 방향화한다.
• 기본적인 DAG의 구조와 일致하도록 위상적 순서 제약 조건을 활용한다.
• 조정 파rameter를 다양하게 설정한 안정성 선택 기법을 사용하여 최종 차이 DAG에서 견고한 간선을 선택한다.
• 다양한 알고리즘(예: PC, GES)의 결과를 통합하여 차이 추정의 초기 서포트 세트를 구성한다.
• 불변성 기반 간선 탐지와 흩어짐 유도 선택을 조합하여 차이 DAG 모델 Δ를 구성한다.

실험 결과

연구 질문

• RQ1 전체 모델을 별도로 학습하지 않고도 두 인과적 DAG 간의 차이를 직접적으로 추정할 수 있는가?
• RQ2 전체 DAG 학습이 실패하는 고차원 설정에서도 차이 추정의 일관성을 달성할 수 있는가?
• RQ3 회귀 계수와 잔차 분산의 불변성을 어떻게 활용하여 인과 네트워크의 구조적 변화를 탐지할 수 있는가?
• RQ4 차이 그래프에서의 방향성이 생물학적 네트워크에서 잠재적 치료 타겟을 식별하는 데 어떤 영향을 미치는가?
• RQ5 실제 생물학적 데이터에서 제안된 방법이 무방향 차이 탐지 방법(예: DPM)과 비교해 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 방법은 난소암의 차이 DAG에서 PRKAR2B를 고출력 차수의 허브로 성공적으로 식별하였으며, 이는 기존의 무방향 방법이 드러내지 못하는 알려진 치료 타겟이다.
• TGF-β 경로에서, 방법은 COMP와 THBS2를 허브 노드로 복원하였으며, 이들은 이전에 난소암에서의 화학요법 내성과 관련이 있다고 알려져 있다.
• 무방향 DPM 모델에서 COMP와 BMP7 간의 간선은 두 개의 유도된 간선(BMP7→ID1 및 COMP→ID1)으로 설명될 수 있었으며, 이는 인과적 방향의 중요성을 강조한다.
• PC 및 GES 알고리즘은 세포사멸 경로에서 어떤 허브 노드도 탐지하지 못했지만, 제안된 방법은 BIRC3와 PRKAR2B를 핵심 허브로 식별하였다.
• 다양한 조정 파rameter에 걸쳐 안정성 선택을 수행한 결과, 고차원 설정에서도 신뢰할 수 있는 차이 DAG 추정치를 확보하였다.
• 방향성 정보를 유지함으로써, 생물학적 시스템에서 간섭 계획 수립에 필수적인 요소를 보존함으로써, 무방향 차이 탐지(예: DPM)보다 성능이 뛰어나다.