一种基于因果性的新方法用于识别乳腺癌进展的驱动因素

《Bioinformatics》：A Novel Causality-Based Method for Identifying Drivers of Breast Cancer Progression

　　

摘要

动机

识别对乳腺癌进展具有潜在因果影响的转录组学因素对于理解疾病机制和确定治疗靶点具有重要意义。然而，由于变量数量庞大以及可能存在未测量的混杂因素，从高维基因表达数据中进行因果效应估计仍然是一个挑战。

结果

我们提出了CICIV，一个整合了基于PC-simple的因果特征选择与条件工具变量（CIV）表示学习的因果推断框架。PC-simple首先通过识别候选父基因来降低转录组学数据的维度，之后CIV估计并对其绝对因果效应进行排序。在TCGA-BRCA数据上的应用表明，CICIV确定了40个与乳腺癌相关的候选基因，并识别出了传统基于相关性的分析方法未能捕获的信号。使用独立的METABRIC队列进行外部验证显示，40个基因中有21个的效应方向一致，其中4个基因在前10名中重叠，9个基因在前20名中重叠。通路富集和基于文献的分析进一步支持了优先基因的生物相关性。

可用性与实现

CICIV基准测试框架和源代码可在此免费获取：https://github.com/Zaiwen/CICIV。本研究使用的软件版本和测试数据已归档于Zenodo（DOI: 10.5281/zenodo.22143976）。

补充信息

补充数据可在Bioinformatics在线获取。

乳腺癌, 因果效应估计, 基因, 潜在混杂因素, 转录组学数据