简介：当一个动态系统可以被建模为一个观察序列时，格兰杰因果关系是一个强有力的方法来检测变量之间的预测交互作用。然而，传统的Granger因果推理在需要以有向无环图(dag)而不是以线性序列(如细胞分化轨迹)表示动态的领域中应用有限。本文提出了一种基于滞后消息传递的图神经网络的GrID-Net框架，用于对DAG结构系统进行Granger因果推理。我们的激励应用是分析单细胞多模态数据，以确定介导特定基因调控的基因组位点。据我们所知，GrID-Net是第一个单细胞分析工具，它解释了基因组位点变得可接近和它对目标基因表达的下游影响之间的时间延迟。我们将GrID-Net应用于同一细胞中染色质可达性(ATAC-seq)和基因表达(RNA-seq)的多模态单细胞分析，结果表明，该方法在推断调控位点-基因连接方面显著优于现有方法，与基于独立群体遗传学的估计的一致性提高了71%。与其他方法相比，GrID-Net鉴定出的基因座富集的转录因子结合基序也多10 - 50倍。通过将格兰杰因果关系扩展到DAG结构的动力系统，我们的工作为因果分析打开了新的领域，更具体地说，以前所未有的规模和分辨率，为阐明与细胞分化和复杂人类疾病相关的基因调控相互作用打开了一条道路。

论文链接：https://openreview.net/pdf?id=nZOUYEN6Wvy

内容中包含的图片若涉及版权问题，请及时与我们联系删除