積極的な学習を通じて因果的生物学的ネットワークを再構築します

生物学的ネットワークのリバースエンジニアリングは、システム生物学の中心的な問題です。遺伝子ノックアウトやノックダウンなどの介入データの使用は、通常、遺伝子間の因果関係を引き裂くために使用されます。時間またはリソースの制約の下で、実行する介入実験を慎重に選択する必要があります。最も有益な介入を選択するための以前のアプローチは、主に離散ベイジアンネットワークに焦点を当てています。ただし、特に複雑な生物学的系とその定量的特性の研究において、継続的なベイジアンネットワークは非常に実際的に関心があります。この作業では、遺伝子調節ネットワークの重要なモデルとして機能するガウスベイジアンネットワーク（GBNS）の効率的な情報理論的アクティブ学習アルゴリズムを提示します。GBNSに固有の線形代数の洞察を提供し、大幅なランタイムの改善につながることに加えて、GBNSおよびDream4ネットワーク推論チャレンジデータセットでシミュレートされたデータに対する方法の有効性を実証します。私たちの方法は、一般に、介入実験のランダムな選択と比較して、基礎となるネットワーク構造の回復が速くなり、完全なデータを使用して候補グラフ構造に対する信頼スコアの最終的な分布への収束を速くします。

Reverse-engineering of biological networks is a central problem in systems biology. The use of intervention data, such as gene knockouts or knockdowns, is typically used for teasing apart causal relationships among genes. Under time or resource constraints, one needs to carefully choose which intervention experiments to carry out. Previous approaches for selecting most informative interventions have largely been focused on discrete Bayesian networks. However, continuous Bayesian networks are of great practical interest, especially in the study of complex biological systems and their quantitative properties. In this work, we present an efficient, information-theoretic active learning algorithm for Gaussian Bayesian networks (GBNs), which serve as important models for gene regulatory networks. In addition to providing linear-algebraic insights unique to GBNs, leading to significant runtime improvements, we demonstrate the effectiveness of our method on data simulated with GBNs and the DREAM4 network inference challenge data sets. Our method generally leads to faster recovery of underlying network structure and faster convergence to final distribution of confidence scores over candidate graph structures using the full data, in comparison to random selection of intervention experiments.