一个大规模的基准,用于从单细胞扰动数据推断网络推断

科学领域:

• 计算生物学 计算生物学
• 系统生物学 系统生物学
• 基因组学就是基因组学.

背景情况:

• 绘制生物机制的地图对于药物发现和假设生成至关重要.
• 高通量单细胞基因表达数据使得大规模的因果基因基因相互作用推断成为可能.
• 评估网络推断方法是具有挑战性的,因为缺乏基础真相和合成数据的局限性.

研究的目的:

• 介绍CausalBench,这是一个用于评估网络推理方法的新基准套件.
• 使用现实世界,大规模单细胞扰动数据,对因果推理性能进行现实的评估.
• 促进用于计算生物学和药物发现的先进网络推断方法的开发.

主要方法:

• 开发了CausalBench,这是一个使用现实世界,大规模单细胞扰动数据的基准套件.
• 纳入生物动机指标和基于分布的干预措施,以加强评估.
• 在CausalBench套件上对最先进的因果推断方法进行了系统评估.

主要成果:

• 现有的因果推理方法表现出不良的可扩展性,限制了它们在真实数据上的性能.
• 使用干预数据的方法并没有超过仅使用观察数据的方法,这与合成基准结果相反.
• CausalBench强调了现实数据和用于网络推断的合成基准之间的性能差异.

结论:

• "CausalBench"为计算生物学提供了一个变革性的工具,将理论创新与药物发现中的实际应用联系起来.
• 该基准能够通过社区挑战开发改进的因果网络推断方法.
• 为实践者提供一个可靠的框架来跟踪现实世界的干预数据的网络推理方法的进展.