[논문 리뷰] FASK with Interventional Knowledge Recovers Edges from the Sachs Model

Joseph Ramsey, Bryan Andrews|arXiv (Cornell University)|2018. 05. 06.

Bayesian Modeling and Causal Inference참고 문헌 13인용 수 8

한 줄 요약

이 논문은 연속적인 단일세포 단백질체 데이터에서 인과적 간선을 복원하기 위해 간섭 지식을 통합한 FASK(Fast Adjacency Skewness)를 소개한다. Sachs 모델에서, 이는 복잡한 히우리스틱 기반 방법과 거의 동일한 결과를 단일 비반복적 단계에서 기본 설정으로, 데이터 제외 없이 달성한다. 이 방법은 변수의 비대칭성과 간섭 데이터를 활용하여 인과적 구조를 효율적이고 정확하게 추론하며, 이전의 연속 데이터 기반 방법보다 인접성 및 방향성 복원에서 뛰어난 성능을 보인다.

ABSTRACT

We report a procedure that, in one step from continuous data with minimal preparation, recovers the graph found by Sachs et al. \cite{sachs2005causal}, with only a few edges different. The algorithm, Fast Adjacency Skewness (FASK), relies on a mixture of linear reasoning and reasoning from the skewness of variables; the Sachs data is a good candidate for this procedure since the skewness of the variables is quite pronounced. We review the ground truth model from Sachs et al. as well as some of the fluctuations seen in the protein abundances in the system, give the Sachs model and the FASK model, and perform a detailed comparison. Some variation in hyper-parameters is explored, though the main result uses values at or near the defaults learned from work modeling fMRI data.

연구 동기 및 목표

• 이산화 또는 이상치 제거 없이 연속 생물학적 데이터에서 인과적 구조를 복원하기 위한 빠르고 비히우리스틱인 방법을 개발하는 것.
• 최소한의 하이퍼파rameter 조정으로 단일 통과 알고리즘을 사용해 Sachs 등이 제시한 참값 인과 그래프를 재현하는 것.
• 비대칭성 기반 간선 탐지와 간섭 지식을 조합했을 때, 기존 방법보다 정확성과 효율성 면에서 뛰어나지 못할지 평가하는 것.
• 특히 잘 알려진 경로인 Mek → Erk에 대한 간선 복원에서의 불일치를 특정하고 해결하는 것.
• 고차원 연속 생물학적 시스템에서 인과 발견을 향상시키기 위해 간섭 데이터와 배경 지식이 수행하는 역할을 탐색하는 것.

제안 방법

• FASK는 선형 상관관계와 비대칭성 기반 추론의 혼합을 사용하여 연속 데이터로부터 인과 그래프의 인접성을 추론한다.
• 알고리즘은 간섭 변수를 추가하고, 측정된 변수에서 간섭 변수로의 간선 금지 및 간섭 변수 간 간선 금지를 포함함으로써 간섭 데이터를 통합한다.
• 비대칭성 기반 간선 탐지 히우리스틱 규칙을 적용하며, 이는 0.3의 커파이트를 사용하여 변수 분포의 비정규성에 기반한 잠재적 간선을 탐지한다.
• fMRI 데이터에 캘리브레이션된 기본 하이퍼파rameter를 사용하여 단일 반복으로 작동하며, 모델 평균화나 부트스트랩핑을 피한다.
• FASK 모델은 Sachs 모델과 문헌 및 보조 그림에서 유의미한 비방향 간선을 포함한 보완된 참값 기준과 비교된다.
• 잔차 상관 분석은 잠재적 공변인자에 의한 2사이클과 진정한 피드백 루프를 구분하기 위한 후속 방법으로 제안된다.

실험 결과

연구 질문

• RQ1 FASK는 최소한의 사전 처리와 히우리스틱 모델 평균화 없이 연속적이고 가공되지 않은 데이터에서 Sachs 모델의 인과적 구조를 복원할 수 있는가?
• RQ2 Mek → Erk 간선은 생물학적으로 중요한데도 불구하고 FASK가 이를 복원하지 못하는 이유는 무엇이며, 이는 하이퍼파rameter 조정이나 다른 모멘트 기반 탐지 방법으로 해결될 수 있는가?
• RQ3 간섭 지식 통합이 표준 점수 기반 방법과 비교해 간선 복원 성능을 얼마나 향상시키는가?
• RQ4 FASK 출력에서 발생하는 2사이클이 진정한 피드백 루프인지 잠재적 공변인자에 의한 것인지 어느 정도의 정도로 나타나며, 이를 어떻게 구분할 수 있는가?
• RQ5 고차 모멘트(예: 첨도)를 통합하거나 Two-Step 방법의 잔차 상관 검사를 사용함으로써 FASK의 성능을 추가로 향상시킬 수 있는가?

주요 결과

• FASK는 로그 처리된 연속 데이터에 대해 단일 비반복적 단계로 Sachs 등이 제시한 결과와 거의 동일한 인과 그래프를 복원한다. 유일한 차이점은 몇몇 간선 뿐이다.
• Sachs 등이 평균 500개의 모델을 사용하는 것과 달리, FASK는 이상치 제거, 데이터 이산화, 히우리스틱 검색 전략 사용 없이도 이 결과를 달성한다.
• Mek → Erk 간선이 복원되지 않는 이유는 데이터에서 상관관계와 비대칭성이 부족하기 때문이며, 특히 모든 간섭 조건이 통합된 경우 더욱 심화된다.
• 비대칭성 커파이트를 0.3에서 더 민감한 임계값으로 낮추면 Mek → Erk 간선이 복원되지만, 이는 잡음 간선을 유발하여 민감도와 특이도 사이의 상충 관계를 보여준다.
• Miller 등 [12]의 이전 연속 데이터 기반 방법과 비교해 FASK는 인접성 복원뿐만 아니라 방향성 추정까지 더 뛰어난 성능을 보이며, 이는 인접성만 복원하는 기존 방법보다 뛰어나다.
• FASK는 PIP2 ↔ PIP3와 같은 잠재적 2사이클을 식별하며, 이는 진정한 피드백 루프보다는 잠재적 공변인자에 의한 것일 수 있음을 시사한다. 이는 모호성을 해결하기 위해 잔차 상관 분석이 필요함을 강조한다.