具有仿制特征的深度神经网络识别非线性因果关系,并估计复杂生物系统中的效应大小
Zhenjiang Fan1, Kate F Kernan2, Aditya Sriram3
1Department of Computer Science, University of Pittsburgh, Pittsburgh, PA 15213, USA.
GigaScience
|July 3, 2023
概括
一种新的计算方法,DAG-deepVASE,识别了复杂疾病中的非线性因果关系及其影响大小. 这促进了对疾病机制的理解,并有助于发现治疗点.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 因果结构学习对于识别疾病风险因素和治疗目标至关重要.
- 现有的生物信息学方法很难推断非线性因果关系,并量化它们在复杂生物系统中的效果大小.
研究的目的:
- 开发一种能够识别非线性因果关系并估计其效应大小的新型计算方法.
- 解决目前因果推理方法在捕捉复杂的生物关联方面的局限性.
主要方法:
- 开发了使用深度学习变量选择 (DAG-deepVASE) 的因果定向非循环图,这种方法结合了深度神经网络和淘汰框架.
- 将DAG-deepVASE应用于各种模拟数据和各种疾病的真实分子和临床数据.
主要成果:
- DAG-deepVASE成功地确定了已知的和新的非线性因果关系,在准确性方面超过了现有的方法.
- 该方法证明了估计非线性因果关系效应大小的能力,提供了更深入的生物学见解.
- 分析强调了理解非线性因果关系如何提高对复杂疾病病理生物学的理解.
结论:
- DAG-deepVASE在复杂的生物系统的因果推理方面取得了重大进展.
- 该方法识别非线性因果关系和估计效应大小的能力可以加速驱动基因和治疗剂的发现.
- 这种方法对生物医学研究和临床试验的应用具有前景.
