Causal Inference for Genomic Data with Multiple Heterogeneous Outcomes
具有多个异质结局的基因组数据因果推断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：摘要明确研究多结局的因果处理效应，并专门分析分位数处理效应，因此对应因果推断与分位数及分布效应。
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…
具有多个异质结局的基因组数据因果推断
- 研究问题
- 当个体基因表达只能由多个细胞的代理测量构造，且同时分析许多异质结局时，如何估计因果效应，并兼顾派生结局的不确定性与多重检验？
- 方法与思路
- 作者构建多派生结局的半参数双重稳健框架，分析标准化平均与分位数处理效应，并用高斯乘子自助法控制错误发现比例超过指定阈值的概率。
- 材料陈述的贡献
- 摘要称，该框架兼容可直接观测多结局的常规情形，支持由 Von Mises 展开和估计方程构造的估计量，并在单细胞扰动和差异表达分析中展示用途。
- 阅读关注点
- 应核对代理测量生成结局的误差如何进入推断、个体与细胞的分析层级，以及标准化和分位数效应的定义、双重稳健条件与多重检验保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列测量误差、识别与多重检验的具体条件，不能据应用表现认定任意基因组数据均支持因果解释。
原文摘要
With the evolution of single-cell RNA sequencing techniques into a standard approach in genomics, it has become possible to conduct cohort-level causal inferences based on single-cell-level measurements. However, the individual gene expression levels of interest are not directly observable; instead, only repeated proxy measurements from each individual's cells are available, providing a derived outcome to estimate the underlying outcome for each of many genes. In this paper, we propose a generic semiparametric inference framework for doubly robust estimation with multiple derived outcomes, which also encompasses the usual setting of multiple outcomes when the response of each unit is available. To reliably quantify the causal effects of heterogeneous outcomes, we specialize the analysis to standardized average treatment effects and quantile treatment effects. Through this, we demonstrate the use of the semiparametric inferential results for doubly robust estimators derived from both Von Mises expansions and estimating equations. A multiple testing procedure based on Gaussian multiplier bootstrap is tailored for doubly robust estimators to control the false discovery exceedance rate. Applications in single-cell CRISPR perturbation analysis and individual-level differential expression analysis demonstrate the utility of the proposed methods and offer insights into the usage of different estimands for causal inference in genomics.