CIMLA: Interpretable AI for inference of differential causal networks
CIMLA：用于差异因果网络推断的可解释人工智能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：摘要明确讨论特征归因的因果解释、混杂及条件变化下的因果关系发现。
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
CIMLA：用于差异因果网络推断的可解释人工智能
- 研究问题
- 论文研究高维生物数据中的特征归因如何获得因果解释，以及如何识别不同生物条件下基因调控关系的变化。
- 方法与思路
- 作者在一定假设下将一种特征归因模型联系到变量间的因果影响量，据此构建 CIMLA，并开展模拟基准比较及单细胞数据分析。
- 材料陈述的贡献
- 摘要称，CIMLA 在所用模拟中较领先方法更准确、对混杂更稳健，并在阿尔茨海默病数据中发现若干潜在调控因子。
- 阅读关注点
- 应核对特征归因对应因果量所需的假设、差异关系的定义、混杂模拟设计，以及潜在调控因子的验证和不确定性报告。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明关键因果假设和比较数值，潜在调控因子不等于已验证的机制。
原文摘要
The discovery of causal relationships from high-dimensional data is a major open problem in bioinformatics. Machine learning and feature attribution models have shown great promise in this context but lack causal interpretation. Here, we show that a popular feature attribution model estimates a causal quantity reflecting the influence of one variable on another, under certain assumptions. We leverage this insight to implement a new tool, CIMLA, for discovering condition-dependent changes in causal relationships. We then use CIMLA to identify differences in gene regulatory networks between biological conditions, a problem that has received great attention in recent years. Using extensive benchmarking on simulated data sets, we show that CIMLA is more robust to confounding variables and is more accurate than leading methods. Finally, we employ CIMLA to analyze a previously published single-cell RNA-seq data set collected from subjects with and without Alzheimer's disease (AD), discovering several potential regulators of AD.