DAG-VAERL：一种用于构建因果基因调控网络的新型因果推断方法

《BioData Mining》：DAG-VAERL: a novel causal inference method for building causal gene regulatory networks

　　

摘要

背景

因果发现方法是揭示基因调控中长链非编码RNA与目标基因之间因果关系的有力工具。在许多因果推断和结构学习任务中，从数据中识别有向无环图结构是一项极具挑战性的工作。传统的DAG学习方法通常依赖启发式搜索或严格约束，难以有效处理复杂的非线性关系和离散数据。

方法

为解决这一问题，我们提出了一种新的深度生成模型——DAG-VAERL，该模型结合了图神经网络、强化学习框架以及图注意力网络模块，并利用变分自编码器来学习DAG结构。DAG-VAERL能够通过图神经网络建模节点间的复杂依赖关系，同时运用强化学习策略优化图结构。

结果

我们在包括阿尔茨海默病数据在内的合成数据集和真实数据集上进行了大量实验，以验证DAG-VAERL在结构发现和参数估计方面的优势。实验结果表明，尤其是在处理包含非线性和离散变量的复杂数据时，DAG-VAERL在结构恢复方面的性能显著优于传统方法。

结论

该模型不仅能有效地从数据中学习DAG结构，还能作为因果推断及其他图分析任务的强大工具，为相关领域提供了新的研究思路。