NLCD：一种发现基因间非线性因果关系的方法

《PLOS Computational Biology》：NLCD: A method to discover nonlinear causal relations among genes

　　

区分相关性与因果性是许多科学领域（包括生物学）中的根本挑战，尤其在随机对照试验等干预措施不可行且仅能获得观测数据的情况下。基于孟德尔随机化（Mendelian Randomization, MR）框架内条件独立性统计检验的方法，可以检测两个观测变量之间是否存在因果关系，这两个变量各自与第三个工具变量相关联。然而，这些用于检测性状间因果关系的方法（例如，两个基因表达或临床性状与一个遗传变异相关联，且均在同一个群体中观测）通常假设线性关系，从而阻碍了从基因组学数据中发现因果基因网络。研究人员开发了NLCD，一种基于非线性回归建模和条件特征重要性评分的基因组学数据非线性因果发现（NonLinear Causal Discovery, NLCD）方法。NLCD利用这些技术扩展了现有线性因果发现方法——因果推断检验（Causal Inference Test, CIT）中的统计检验。研究人员将NLCD与当前最先进的方法（CIT、Findr和MRPC）进行了基准测试。在模拟数据集上，NLCD在检测线性关系方面与大多数方法表现相当（NLCD的平均AUPRC（精确率-召回率曲线下面积，Area Under the Precision-Recall Curve）=0.94，CIT=0.94，Findr=0.94，MRPC=0.99），并在检测两个基因之间的非线性（正弦和锯齿型）关系方面优于它们（NLCD的平均AUPRC=0.76，CIT=0.60，Findr=0.56，MRPC=0.73）。当在酵母基因组数据集的一个非线性子集上进行测试，以恢复涉及转录因子的已知因果关系时，NLCD和CIT表现相当，且略优于Findr和MRPC（NLCD的平均AUPRC=0.82，CIT=0.81，Findr=0.71，MRPC=0.54）。在应用于人类基因组数据集时，NLCD揭示了肌肉组织中活跃的因果基因对（IRF1→PSME1和HLA-C→HLA-T），并阐明了在体内人类环境下发现组织因果基因网络的希望与挑战。
作者摘要：生物学的核心目标是发现因果机制。但在干预措施昂贵、不切实际或不可能（如在人类群体中）的情况下，建立两个生物因素（如两个基因）之间的因果关系非常困难。因此，研究人员依赖数百个个体的观测遗传数据和其他基因组数据来推断基因或其他因素之间的因果关系。现有的解决该问题的计算方法通常假设生物效应遵循简单的线性模式。实际上，生物系统可能表现出更复杂的行为，这可能导致重要的因果关系被忽略。为解决这一局限性，研究人员开发了一种即使在非线性情况下也能检测因果关系的方法。该方法建立在现有因果发现框架之上，同时利用机器学习技术来捕捉数据中更复杂的模式。在模拟数据集上的广泛测试中，该方法在线性关系上表现与现有方法相当，在非线性关系上则显著更好。当应用于酵母和人类基因组数据集时，该方法恢复了已知的因果相互作用，并识别了生物学相关的基因对。该方法预测的因果关系可作为假设，指导未来的实验研究。

**论文解读：NLCD——一种发现基因间非线性因果关系的方法**

**研究背景与问题**

在生物学等多个科学领域，区分相关性与因果关系是核心挑战之一。随机对照试验（Randomized Controlled Trial, RCT）是检验因果关系的金标准，但在许多情况下（如体内人类研究）不可行或成本高昂，因此研究人员通常依赖观测数据。孟德尔随机化（Mendelian Randomization, MR）方法利用遗传变异作为工具变量（Instrumental Variable, IV），基于条件独立性统计检验来推断两个观测变量（如两个基因表达性状）之间的因果关系。然而，现有方法（如CIT、Findr、MRPC）大多假设基因间关系为线性，这严重限制了其应用。实际上，许多生物关系（如受昼夜节律调控的基因、剂量反应曲线等）呈现非线性特征，且已有研究表明约84%的性状对在UK Biobank数据中显著偏离线性。因此，迫切需要一种能够处理非线性因果关系的通用方法。

**研究内容与结论**

研究人员提出了一种名为NLCD（NonLinear Causal Discovery）的新方法，专门用于从基因组学数据中发现非线性因果关系。NLCD通过非线性回归（NonLinear Regression, NLR）建模和条件特征重要性（Conditional Feature Importance, CFI）评分，将线性因果发现方法CIT中的关键条件独立性检验推广到非线性场景。在模拟数据集上，NLCD在检测线性关系时与CIT、Findr和MRPC表现相当（平均AUPRC均为0.94左右），但在检测正弦和锯齿型非线性关系时显著优于其他方法（平均AUPRC为0.76，而CIT为0.60，Findr为0.56，MRPC为0.73）。在酵母基因组数据的一个非线性子集上，NLCD恢复已知转录因子-靶基因因果关系的性能与CIT相当（平均AUPRC为0.82 vs 0.81），优于Findr和MRPC。在人类GTEx（Genotype-Tissue Expression）多组织基因组数据中，NLCD发现了肌肉组织中几个活跃的因果基因对（如IRF1→PSME1和HLA-C→HLA-T），并指出了在体内人类环境中发现因果基因网络的挑战与前景。

**重要意义**

NLCD是首个通过非线性回归建模和条件特征重要性评分，系统拓展MR框架下因果发现方法以处理非线性关系的工具。它在模拟和真实数据上均表现出竞争力，为从大规模观测数据（如生物库规模研究）中挖掘非线性因果基因网络提供了有效手段。论文发表在《PLOS Computational Biology》。

**主要关键技术方法**

NLCD方法的核心技术包括：（1）非线性回归（NLR）模型，用于捕捉基因间的非线性关系，本研究使用了核岭回归（Kernel Ridge Regression, KRR）、支持向量回归（Support Vector Regression, SVR）和人工神经网络（Artificial Neural Network, ANN）三种模型；（2）条件特征重要性（CFI）评分，用于实现条件独立性检验（Test 4）；（3）基于排列检验的统计推断，用于计算四个统计检验的p值；（4）可选的EPEPT（Enhanced P-value Estimator for Permutation Tests）后处理步骤，以提高小p值的分辨率。样本队列来源：酵母数据来自Albert等（2018）的1012个酵母分离株；人类数据来自GTEx v8多组织数据集，选取了10个最大样本量的组织（如骨骼肌706例、全血670例等）。

**研究结果**

**3.1 NLCD方法概述**
NLCD通过四个统计检验（关联检验Test 1、条件关联检验Test 2-3、关键条件独立性检验Test 4）确定三元组（L, A, B）是否支持因果模型。其核心创新是利用非线性回归建模和CFI评分实现第四检验，能够处理非线性关系。

**3.2 NLCD在模拟非线性基准上优于SOTA方法**
在模拟数据集上（样本量n=500），NLCD（KRR）在正弦和锯齿型非线性基准上的AUPRC（分别为0.76和0.72）显著高于CIT（0.60和0.57）、Findr（0.56和0.51）和MRPC（0.73和0.71），在线性基准上所有方法表现相当（AUPRC约0.94）。NLCD的KRR变体优于SVR和ANN变体。

**3.3 NLCD相对于CIT基线的详细评估**
通过多次运行和数据集变异分析，确认NLCD在非线性基准上的优势是稳健的。比较单个检验发现，NLCD的第三检验（Test 3）在非线性三元组中能更有效地检测A与B的关联；第四检验（Test 4）通过CFI评分正确判断L是否在给定A后对B提供额外信息，从而在非线性情况下避免错误的条件独立性结论。在不等方差模拟基准（如抛物线型）上，NLCD也优于CIT。

**3.4 NLCD区分因果方向**
NLCD能够正确区分因果方向：在因果三元组上，正向（A→B）p值接近0，反向（B→A）p值分布广泛；在独立三元组上，两个方向p值均接近1。

**3.5 NLCD在酵母基准及其非线性子集上的表现**
在完整酵母基准上，Findr和CIT的AUPRC最高，NLCD紧随其后，MRPC最低。但当聚焦于具有足够相关性和较高非线性程度的三元组子集时（通过BCMI和Spearman相关性及非线性程度指标δ筛选），NLCD和CIT表现相当，均优于Findr和MRPC，尤其在较高δ截断值下（如δ≥0.05），NLCD的AUPRC（约0.85）略高于CIT（约0.83）。

**3.6 发现多个人类组织中的因果基因关系**
在人类GTEx骨骼肌组织中，NLCD通过严格的p值和可映射性标准发现了两个因果三元组：IRF1→PSME1（已知转录因子-靶基因对）和HLA-C→HLA-T。在放宽可映射性标准后，在10个组织中总共发现14个因果三元组，涉及蛋白质编码基因（如AP4B1→METTL5）、lincRNA（如ZDHHC8P1→RP11-65J3.3）和假基因，这些作为候选因果假设有待进一步验证。

**讨论与结论**

**讨论部分总结**
NLCD通过非线性回归建模和CFI评分扩展了线性因果发现方法CIT，在模拟非线性基准上表现显著优于CIT，但在酵母真实数据上两者相似，这可能是由于酵母转录因子-靶基因关系主要为线性。NLCD的优势在涉及复杂临床性状、不等条件方差或周期性基因时间序列数据时可能更明显。与其他三元组方法一样，NLCD依赖于排除限制性假设（L仅通过A影响B），在水平多效性下可能失败。人类GTEx数据的应用表明，NLCD需要足够大的样本量（接近1000）和严格的过滤才能减少假阳性。NLCD预计在三种情况下优于线性方法：强非线性/非单调关系、异方差性、复杂临床性状。其应用范围可扩展到基因-代谢物、表观遗传-表达、经典MR暴露-结局等三元组。未来方向包括：使用更快的KRR方法、拆分训练/测试数据集、直接整合协变量调整、研究样本复杂度、以及将NLCD核心概念推广到其他三元组因果发现方法。

**结论部分翻译**
研究人员开发了一种方法NLCD，用于在发现两个基因表达或临床性状之间的因果关系时考虑非线性因素。NLCD在MR框架下工作，利用与两个测试性状相关的遗传因子从观测数据推断因果关系的存在。通过四个统计检验，用一个p值总结三元组中性状/基因之间因果关系的证据。现有SOTA方法假设基因间线性关系，而NLCD通过非线性回归建模和CFI评分实现统计检验，在非线性模拟和真实世界基准上表现出有前景的性能。在模拟非线性基准上，NLCD的AUPRC优于现有SOTA方法；在线性基准上，NLCD与其他方法表现相当。在真实世界酵母基准上，NLCD在恢复线性或非线性转录因子-靶基因因果关系的三元组方面具有竞争力。将NLCD应用于具有共同eQTL（表达数量性状位点，expression Quantitative Trait Loci） SNP的每对基因，提供了一个揭示生物系统基因调控网络的工作流程，研究人员在人类多组织基因组数据上展示了该方法以检测组织特异性因果基因。NLCD依赖最少的假设和简单的非线性回归模型选择来确定因果关系。在模拟数据上偏离正态分布的检验显示NLCD仍能恢复因果三元组。NLCD对非线性回归模型是模型无关的，除了本研究使用的三种模型外，还可以使用任何其他合适的模型。总之，研究人员开发了一种基于观测数据的线性和非线性因果发现方法NLCD，并在不同数据集上证明了其竞争力，这些结果为其未来应用于大规模研究中快速积累的遗传/分子/临床变量数据以揭示体内因果生物网络带来了希望。