En el caso de que se utilice un método basado en el cálculo de la concentración de carbono, se utilizará el método...

Área de la Ciencia:

• La genómica y la bioinformática
• Modelado estadístico
• Inferencia causal

Sus antecedentes:

• Los datos de recuento de observación a menudo muestran ceros excesivos, comunes en la genómica.
• Los métodos existentes para el aprendizaje de redes causales (Directed Acyclic Graphs - DAGs) luchan con datos inflados a cero.
• La identificación de redes causales diferenciales entre grupos experimentales es vital para los estudios comparativos.

Objetivo del estudio:

• Proponer un nuevo modelo binomial diferencial bayesiano inflado con cero DAG (DAG0).
• Abordar las limitaciones de los métodos actuales en el modelado de datos de conteo de inflado cero e identificar diferencias de red.
• Asegurar que las relaciones causales sean identificables a partir de datos transversales de observación.

Principales métodos:

• Desarrollo del modelo binomial diferencial bayesiano inflado a cero DAG (DAG0).
• Prueba teórica de la identificación de las relaciones causales a partir de datos de observación.
• Aplicación de la cadena Monte Carlo de Markov con templación paralela para la inferencia bayesiana.

Principales resultados:

• El modelo DAG0 propuesto tiene efectivamente en cuenta la inflación cero en los datos de conteo.
• Se ha comprobado que las relaciones causales son totalmente identificables a partir de datos de observación.
• Las simulaciones muestran un rendimiento superior en comparación con los métodos existentes.
• La aplicación a los datos de secuenciación de ARN de una sola célula produce ideas biológicamente relevantes.

Conclusiones:

• El modelo DAG0 proporciona un marco sólido para la inferencia de red causal con datos de conteo inflado cero.
• El modelo facilita la identificación de estructuras causales diferenciales entre los grupos experimentales.
• La prueba de identificabilidad ofrece una técnica general aplicable más allá del modelo DAG0.