論文要約：依存する混合データにおける因果発見と遺伝子制御ネットワーク推論への応用

論文タイトル: CAUSAL DISCOVERY ON DEPENDENT MIXED DATA WITH APPLICATIONS TO GENE REGULATORY NETWORK INFERENCE
著者: Alex Chen, Qing Zhou (UCLA)

1. 研究の背景と課題 (Problem)

因果発見（Causal Discovery）は、観測データから変数間の因果関係を有向非巡回グラフ（DAG）として推論する分野です。しかし、既存の手法には以下の 2 つの主要な限界があり、現代の複雑なデータ分析において課題となっています。

1. サンプルの独立性仮定（i.i.d.）の破綻: 多くの既存手法は、観測単位（サンプル）が独立同一分布（i.i.d.）であると仮定しています。しかし、ソーシャルネットワーク、細胞集団（単一細胞 RNA シーケンシングなど）、空間データなどでは、サンプル間に依存性（相関）が存在することが一般的です。この依存性を無視して因果推論を行うと、誤った因果関係の推論や精度の低下を招きます。
2. 混合データ（Mixed Data）の扱いの難しさ: 実際のデータセットには、連続変数（遺伝子発現量など）と離散変数（細胞の状態、カテゴリカルな変数など）が混在しています。既存の依存データ向けの因果推論手法は主に連続変数に限定されており、離散変数を含む混合データかつサンプル間に依存性がある場合のモデル化が困難でした。

特に、単一細胞 RNA シーケンシング（scRNA-seq）データでは、細胞が共通の系統や分化経路を共有しているため、遺伝子発現パターンに内在的な相関が生じます。さらに、遺伝子発現は連続値として扱われることもあれば、技術的なノイズや生物学的なスイッチ機構により離散化されることもあります。

2. 提案手法 (Methodology)

著者らは、依存する混合データからの因果発見のための**「非相関化（De-correlation）フレームワーク」**を提案しました。この手法は、潜在変数モデルと EM アルゴリズム、および共分散行列の推定を組み合わせています。

2.1. モデルの定式化

観測データ $X$ は、連続変数と離散変数の混合です。このデータは、以下の潜在変数構造生成モデル（SEM）から生成されると仮定します。

• 潜在変数: 各観測変数 $X_j$ は、連続的な潜在変数 $Z_j$ に対応します。
  • 連続変数の場合: $X_j = Z_j$
  • 離散変数の場合: $X_j = Q(Z_j; T_j)$ （閾値 $T_j$ による量子化関数）
• 構造方程式: 潜在変数 $Z_j$ は、親変数 $PA_j$ と外生誤差項 $\varepsilon_j$ の線形結合で表されます。
  $$Z_j = \sum_{k \in PA_j} \beta_{kj} g(Z_k) + \varepsilon_j$$
  ここで、$g(\cdot)$ は連続変数では恒等写像、離散変数では閾値処理を適用した関数です。
• サンプル間の依存性: 誤差項 $\varepsilon_j = (\varepsilon_{1j}, \dots, \varepsilon_{nj})^\top$ は、多変量正規分布 $N_n(0, \Sigma)$ に従います。ここで、共分散行列 $\Sigma$ はサンプル間の依存構造を記述します。対角成分は 1 に固定され、非対角成分がサンプル間の相関を表します。

2.2. 非相関化（De-correlation）のアイデア

因果発見アルゴリズムを適用する前に、サンプル間の依存性を除去し、独立なデータに変換するプロセスが中心です。

1. 共分散行列 $\Sigma$ の推定:
   • 離散変数の閾値 $T$ と回帰係数 $\beta$ を、対角共分散（$\Sigma=I$）を仮定した初期段階で推定します（アルゴリズム 1）。
   • 得られたパラメータを用いて、ペアワイズ最尤推定（Pairwise MLE）により、サンプル間の共分散行列 $\Sigma$ を推定します。ブロック対角構造を仮定することで計算効率を上げつつ、クラスター内の依存性を捉えます。
2. 潜在変数の復元と非相関化:
   • 離散変数: 観測された離散データから、条件付き期待値（切断された正規分布の平均）を用いて潜在変数 $Z$ を推定します（EM アルゴリズム、アルゴリズム 2）。
   • 非相関化変換: 推定された精度行列 $\Theta = \Sigma^{-1}$ のコレスキー分解 $L$ を用いて、潜在変数 $Z$ を変換します。
     $$\tilde{Z} = L^\top Z$$
     この変換により、誤差項の共分散が単位行列となり、サンプル間の依存性が除去されます。
3. 因果グラフの学習:
   • 非相関化された連続データ $\tilde{Z}$ に対して、標準的な因果発見アルゴリズム（PC, MMHC, Copula-PC など）を適用して DAG を推論します。
   • 推定の安定性を高めるため、複数のイテレーションで得られたグラフを統合する「コンセンサス（多数決）」または「平均化」アプローチを採用します。

3. 主な貢献 (Key Contributions)

1. 依存混合データ向けの因果発見フレームワークの提案: 既存の手法では扱えなかった「サンプル間の依存性」と「連続・離散混合データ」の両方を同時に扱う新しい DAG モデルと推論手法を開発しました。
2. scRNA-seq データへの応用と遺伝子制御ネットワーク（GRN）の推論: 胚性幹細胞の分化に関する単一細胞 RNA シーケンシングデータに手法を適用し、細胞間の依存性を考慮した GRN の推論に成功しました。
3. 安定性の定量化: ブートストラップ法を用いたリサンプリングにより、推定された遺伝子間相互作用の信頼度（Confidence Score）を定量化する手法を提案しました。

4. 実験結果 (Results)

4.1. シミュレーション研究

• 設定: 無作為に生成された DAG および実在のベンチマーク DAG（bnlearn リポジトリ）を用い、サンプル数 $n$ と変数数 $p$ を変化させて実験を行いました。
• 結果:
  • 提案手法（非相関化後）は、依存データをそのまま用いた既存手法（Baseline）と比較して、F1 スコアが大幅に向上しました。
  • 特に変数数 $p$ が増加する高次元設定や、サンプル間の相関が強い場合において、性能向上が顕著でした。
  • 異なる因果発見アルゴリズム（MMHC, PC, Copula-PC）を適用しても、非相関化による精度向上が確認されました。

4.2. 実データへの適用（scRNA-seq）

• データ: Chu et al. (2016) の胚性幹細胞分化データ（859 細胞、51 遺伝子）。
• 評価: 10 回交差検証を用い、テストデータに対する対数尤度を評価しました。
  • 提案手法（Consensus）は、非相関化を行わない手法（Baseline）や、依存性を考慮しない非相関化（Consensus-Ident）と比較して、有意に高い対数尤度を示しました。これは、細胞間の依存性をモデル化し除去することが、モデルの適合度を高める上で重要であることを示しています。
• 生物学的妥当性:
  • 推定された遺伝子制御ネットワークにおいて、高信頼度のエッジ（例：POU5F1 と ZFP42、NANOG と POU5F1 の相互作用など）は、既存の文献で報告されている既知の制御メカニズムと一致しました。
  • 多くのエッジが生物学的な知見を裏付けており、提案手法の有効性が実証されました。

5. 意義と結論 (Significance and Conclusion)

この研究は、因果発見の分野において重要な進展をもたらしました。

• 理論的意義: 「因果構造の学習アルゴリズム自体を変更する必要はなく、データの前処理段階で依存性を適切に除去（非相関化）することで、標準的なアルゴリズムを依存データに適用可能にする」という洞察を提供しました。
• 実用的意義: 単一細胞解析など、サンプル間に構造的な依存性が強く、データタイプも混合している現代のバイオインフォマティクスデータに対して、より正確で信頼性の高い因果ネットワークの推論を可能にします。
• 将来展望: 線形モデルから非線形モデルへの拡張、介入データ（実験的干渉）の統合、および事前知識の取り込みなど、今後の研究課題が示唆されています。

総じて、この論文は、複雑な実世界データにおける因果推論の精度を飛躍的に向上させるための堅牢な枠組みを提供し、特に遺伝子制御ネットワークの解明において大きな可能性を示しています。