[논문 리뷰] Inferring causal models of cancer progression with a shrinkage estimator and probability raising

Loes M. Olde Loohuis, Giulio Caravagna외 5명|arXiv (Cornell University)|2013. 11. 25.

Bayesian Modeling and Causal Inference인용 수 2

한 줄 요약

이 논문은 생물학적 변동성과 측정 오차에 대한 강건성을 향상시키기 위해 확률적 인과관계(수프스의 정의)와 수축 유사 추정기를 사용하는 새로운 인과추론 프레임워크인 CAPRESE를 소개한다. 이는 점점 커지는 표본 수에 따라 올바른 트리로 점점 수렴함을 증명하고, 최신 기법들과 비교해 합성 및 실제 암 데이터셋에서 뛰어난 성능을 보인다.

ABSTRACT

Existing techniques to reconstruct tree models of progression for accumulative processes, such as cancer, seek to estimate causation by combining correlation and a frequentist notion of temporal priority. In this paper, we define a novel theoretical framework called CAPRESE (CAncer PRogression Extraction with Single Edges) to reconstruct such models based on the notion of probabilistic causation defined by Suppes. We consider a general reconstruction setting complicated by the presence of noise in the data due to biological variation, as well as experimental or measurement errors. To improve tolerance to noise we define and use a shrinkage-like estimator. We prove the correctness of our algorithm by showing asymptotic convergence to the correct tree under mild constraints on the level of noise. Moreover, on synthetic data, we show that our approach outperforms the state-of-the-art, that it is efficient even with a relatively small number of samples and that its performance quickly converges to its asymptote as the number of samples increases. For real cancer datasets obtained with different technologies, we highlight biologically significant differences in the progressions inferred with respect to other competing techniques and we also show how to validate conjectured biological relations with progression models.

연구 동기 및 목표

• 생물학적 및 측정 노이즈를 고려한 암 진행 트리의 인과관계를 추론하는 강건한 방법을 개발하는 것.
• Suppes의 확률적 인과관계 프레임워크를 사용하여 암 진행 추론을 체계화하는 것. 이는 확률 상승과 시간적 우선순위를 강조한다.
• 수축 유사 추정기를 통합하여 저표본 환경에서 모델의 정확도와 안정성을 향상시키는 것.
• 실제 데이터에서 알려진 생물학적 관계와 비교하여 추론된 진행 모델의 생물학적 관련성을 검증하는 것.

제안 방법

• 프레임워크는 Suppes의 확률적 인과관계를 사용하며, 이는 원인이 효과의 확률을 높이는 것을 정의한다. 이를 통해 진행 모델 내 인과관계를 정의한다.
• 생물학적 변동성과 측정 오차에서 발생하는 노이즈에 대응하기 위해 분산을 줄이고 강건성을 향상시키기 위해 수축 유사 추정기를 도입한다.
• 확률 상승 및 시간적 우선순위 조건을 만족하는 간선을 반복적으로 선택하여 단일 간선 진행 트리를 재구성한다.
• 약한 노이즈 조건 하에서 진짜 트리 구조로 점점 수렴함을 증명하였다.
• 성능 평가를 위해 다양한 표본 크기에서 합성 데이터를 사용하였으며, 최적 성능에 빠르게 수렴함을 보였다.
• 다양한 기술에서 유래한 실제 암 데이터셋을 분석하여 진행 모델을 비교하고 생물학적으로 타당한 관계를 검증하였다.

실험 결과

연구 질문

• RQ1 Suppes의 정의에 기반한 확률적 인과관계 프레임워크는 노이즈가 있는 조건에서 암 진행 트리 재구성의 정확도를 향상시킬 수 있는가?
• RQ2 수축 유사 추정기의 포함이 저표본 및 고노이즈 환경에서 강건성을 어떻게 향상시키는가?
• RQ3 CAPRESE는 합성 및 실제 암 진행 데이터에서 기존 최신 기법들보다 어느 정도 뛰어난 성능을 보이는가?
• RQ4 다른 기법에서 유도된 모델과 비교했을 때, 추론된 진행 모델이 생물학적으로 의미 있는 차이를 드러내는가?
• RQ5 추측된 생물학적 관계는 추론된 진행 모델을 통해 어떻게 검증할 수 있는가?

주요 결과

• CAPRESE는 특히 저표본 크기에서 최신 기법들보다 합성 데이터에서 뛰어난 성능을 보였다.
• 표본 수가 증가함에 따라 점점 수렴하는 성능에 빠르게 도달함을 보여, 뛰어난 표본 효율성을 보였다.
• 약한 노이즈 조건 하에서 알고리즘이 진짜 트리 구조로 점점 수렴함을 입증하여 이론적 타당성을 입증하였다.
• 실제 암 데이터셋에서 CAPRESE는 다른 기법들과 비교해 생물학적으로 의미 있는 차이를 드러내는 진행 모델을 추론하였다.
• 이 프레임워크는 실제 데이터에서 일관되고 타당한 진행 패tern을 통해 추측된 생물학적 관계를 검증할 수 있게 하였다.