🔥 今日值得一读
整合单细胞扰动与群体数据，新框架实现因果路径分析，并在白血病中识别出关键调控通路！
Causal Path Analysis from Perturbational and Population-Scale Single-Cell Data with Multiscale Confounding and Measurement Error
👨💼 主理人解读 · 为什么值得关注
帮助生物信息开发者结合扰动实验与人群数据推断基因因果网络，处理混杂与噪声。
📖 AI 总结
该研究提出一个整合扰动实验与群体规模单细胞数据的因果路径分析框架。作者不假设扰动实验得到的基因网络可直接迁移至目标人群，而是利用外部学习的祖先关系约束网络拓扑，再用群体数据重新估计直接边及其效应。针对多尺度单细胞测量中的潜在异质性与测量误差，研究开发了在细胞和个体两个层面运作的代理变量方法，并结合变量误差校正处理网络与结果回归。理论上，作者建立了混杂因素恢复及网络与基因—结果效应高维估计的保证。模拟实验表明，同时校正混杂与测量误差至关重要。将该方法应用于急性髓系白血病，识别出连接转录调控因子与原始细胞计数的不同调控通路。
🔑 关键词速览
| 因果路径分析 | 一种统计方法，用于识别和量化变量之间的直接和间接因果效应路径。 |
| 单细胞扰动实验 | 通过实验手段（如CRISPR）扰动单个细胞中的基因，以观察其对基因表达和表型的影响。 |
| 代理变量 | 用于替代不可观测的混杂因素或潜在变量的可观测变量，以校正估计偏差。 |
| 变量误差校正 | 在回归分析中校正自变量测量误差的方法，以避免效应估计的衰减偏差。 |
| 急性髓系白血病 | 一种影响骨髓和血液的恶性癌症，其特征是原始细胞异常增殖。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅