Bayesian Copula Directional Dependence for causal inference on gene expression data
用于基因表达数据因果推断的贝叶斯 Copula 方向依赖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：摘要直接研究基因网络的方向连通与信息流，支持网络方向分类，但未说明干预效应或经济网络应用。
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
用于基因表达数据因果推断的贝叶斯 Copula 方向依赖
- 研究问题
- 如何刻画基因表达变量之间的方向依赖，并在分布形式与线性限制较少的框架中，提高基因网络信息流分析的稳健性？
- 方法与思路
- 作者将频率学派的 Copula 方向依赖方法扩展到贝叶斯框架，并利用小鼠单细胞测序与整体表观基因组数据中的六组基因交互进行比较。
- 材料陈述的贡献
- 摘要称，贝叶斯方法识别出六组真实交互中的四组，相较频率学派方法表现出更高稳健性，可作为基因网络信息流建模的替代方法。
- 阅读关注点
- 应核对方向依赖与因果效应的区别、先验及后验计算、真实交互的认定依据，以及六组验证案例能否支持摘要中的稳健性判断。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明因果识别条件，方向依赖结果不能直接确认为因果关系。
原文摘要
Modelling and understanding directional gene networks is a major challenge in biology as they play an important role in the architecture and function of genetic systems. Copula Directional Dependence (CDD) can measure the directed connectivity among variables without any strict requirements of distributional and linearity assumptions. Furthermore, copulas can achieve that by isolating the dependence structure of a joint distribution. In this work, a novel extension of the frequentist CDD in the Bayesian setting is introduced. The new method is compared against the frequentist CDD and validated on six gene interactions, three coming from a mouse scRNA-seq dataset and three coming from a bulk epigenome dataset. The results illustrate that the novel proposed Bayesian CDD was able to identify four out of six true interactions with increased robustness compared to the frequentist method. Therefore, the Bayesian CDD can be considered as an alternative way for modeling the information flow in gene networks.