단세포 RNA-seq 데이터 기반 유전자 조절 네트워크 추론에서 인과적 방법은 언제 실패하는가? 상관관계 기반 방법의 진단 연구

이론적 장점에도 불구하고, 단일 세포 RNA-seq 데이터 기반 유전자 조절 네트워크 (GRN) 추론을 위한 인과적 방법은 많은 현실적인 벤치마크에서 상관관계 기반 기저 모델에 비해 성능을 맞추거나 초과하는 데 실패하며, 이는 이 작업에서 인과성의 가치를 의심하게 하는 지속적인 퍼즐입니다. 우리는 기존 벤치마크가 이 질문에 답하기 위해 충분히 통제되지 않았다고 주장합니다. 왜냐하면 그들은 여러 병리학적 요인이 동시에 발생하는 실제 또는 반실제 데이터에서 평가하여 실패 모드를 혼란시키고, 각 추론 방법이 성공하거나 실패하는 구체적인 조건을 가려버리기 때문입니다.

이 간극을 해결하기 위해, 우리는 7 가지 생물학적으로 동기가 부여된 병리학적 요인 (드롭아웃, 잠재적 혼란 변수, 세포 유형 혼합, 피드백 루프, 네트워크 밀도, 샘플 크기, 시간 순서 드리프트) 을 분리하고, 3 가지 추론 패러다임에 걸친 6 가지 대표적 방법이 각 병리학적 요인이 강해짐에 따라 어떻게 열화되는지를 측정하는 통제된 진단 프레임워크를 소개합니다. 6,120 개의 통제된 실험을 통해 우리는 인과적 방법이 깨끗하고 구조적으로 유리한 환경에서 진정으로 우세함을 보이지만, 특정 병리학적 요인 (특히 드롭아웃과 잠재적 혼란 변수) 이 그 장점 선택적으로 중립화한다는 것을 발견합니다.

우리는 또한 유사한 종합 정확도를 가진 방법들이 질적으로 다른 오류를 범한다는 것을 드러내는 오류 유형 분해법을 소개합니다. 단일 병리학적 요인의 효과가 여러 스트레스 요인이 동시에 발생할 때 지속되는지 탐구하기 위해, 우리는 3 가지 가장 영향력 있는 병리학적 요인에 대한 상호작용 스윙을 수행하며, 그들의 공동 효과는 부가적이지 않으며, 또한 단일 다이얼 분석으로는 보이지 않는 밀도 조건부 교차점을 노출합니다. 우리의 발견은 GRN 추론에서 각 방법이 성공하거나 실패하는 시기와 이유에 대한 세밀한 이해를 제공하여 방법 개발과 실무자에게 실행 가능한 통찰을 제공합니다.