Теория причинности для изучения взаимосвязей генов прокладывает путь к таргетным методам лечения

Исследователи из MIT разработали теоретические основы метода, который может эффективно определять, как объединять гены в связанные группы, чтобы изучать лежащие в основе причинно-следственные связи между многими генами.

Ключевая особенность: метод использует только наблюдательные данные, без необходимости в дорогостоящих и иногда невыполнимых интервенционных экспериментах.

Проблема: у человека около 20 000 генов, которые сложным образом влияют друг на друга. Гены работают вместе в модулях, регулирующих друг друга. Понимание этих программ (какие гены функционируют вместе в биологическом процессе) — сложная задача.

Решение: новый подход использует алгоритм машинного обучения для эффективной идентификации и агрегации групп наблюдаемых переменных (например, генов) на основе только наблюдательных данных. Метод реконструирует точное представление причинно-следственного механизма с помощью послойной структуры.

Как это работает:

• С помощью статистических методов вычисляется математическая функция — дисперсия для якобиана скора каждой переменной.
• Причинным переменным, которые не влияют на последующие, должна соответствовать дисперсия, равная нулю.
• Представление реконструируется слой за слоем, начиная с удаления переменных в нижнем слое с нулевой дисперсией, и далее в обратном порядке.
• В итоге метод выдает абстрактное представление наблюдаемых данных со слоями взаимосвязанных переменных, точно суммирующее лежащую в основе причинно-следственную структуру.

Значение:

• В долгосрочной перспективе метод может помочь ученым определить потенциальные гены-мишени для индукции определенного поведения клетки более точно и эффективно.
• Это открывает путь к разработке прецизионных методов лечения для пациентов, помогая более эффективно определять, какие гены функционируют вместе в одной программе, и находить лекарства, нацеленные на эти гены.

Цитата: «В геномике очень важно понимать механизм, лежащий в основе состояний клетки... Если вы найдете правильный способ агрегировать наблюдаемые данные, информация, которую вы узнаете о системе, будет более интерпретируемой и полезной», — говорит аспирант Цзяци Чжан, соавтор статьи.

Исследование опубликовано на сервере препринтов arXiv и будет представлено на Конференции по нейронным системам обработки информации (NeurIPS).