Confounder-robust causal discovery and inference in Perturb-seq using proxy and instrumental variables
利用代理变量与工具变量处理 Perturb-seq 中的未观测混杂AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确采用代理变量与工具变量处理未观测混杂，并开展因果发现与推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用代理变量与工具变量处理 Perturb-seq 中的未观测混杂
- 研究问题
- 在结合基因扰动与单细胞测序的实验中，当重要分子因素或基因未被观测时，如何恢复基因表达之间的因果关系？
- 方法与思路
- 作者结合代理变量和工具变量策略，利用扰动实验所含信息调整潜在混杂，并从基因表达数据中重建有向无环因果图。
- 材料陈述的贡献
- 摘要称，该框架可在遗漏重要混杂因素时无偏估计因果图；合成数据与 K562 细胞实验显示其恢复表现优于未调整混杂的基线。
- 阅读关注点
- 应核对代理变量和工具变量的构造、有效性与识别条件，基因网络无环假设，以及真实数据中因果图恢复准确性的评价依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未说明无偏性条件和评价细节，不能据此认定所有潜在混杂均已消除。
原文摘要
Emerging single-cell technologies that combine CRISPR-based genetic perturbations with single-cell RNA sequencing, such as Perturb-seq, offer unprecedented opportunities to uncover cause-and-effect relationships among genes. Nonetheless, Perturb-seq experiments are subject to unobserved factors that, if not properly handled, can severely bias the inferred causal relationships between genes. These latent factors may arise not only from intrinsic molecular features of the regulatory elements, but also from unmeasured genes omitted due to cost-constrained experimental designs. Although methods for analyzing large-scale Perturb-seq data are rapidly maturing, approaches that explicitly account for such unobserved confounders when inferring causal gene networks are still lacking. Here, we propose a novel approach to accurately reconstruct causal gene networks from Perturb-seq data even when important confounders are missing. Our framework leverages proxy and instrumental variable strategies to exploit the rich information embedded in the perturbations, enabling unbiased estimation of the underlying directed acyclic graph (DAG) of gene expression. Applications to both comprehensive synthetic data and real CRISPR interference experiments in K562 cells demonstrate that our method outperforms baseline approaches that lack principled adjustments for unmeasured confounding, yielding more accurate and biologically relevant recovery of the true causal DAGs.