Causal gene regulatory network inference from Perturb-seq via adaptive instrumental variable modeling

本文提出了一种名为 ADAPRE 的自适应工具变量建模框架，通过利用 Perturb-seq 数据中的 CRISPR 干预作为工具变量并灵活处理敲低效率的异质性，成功克服了现有方法的偏差与限制，实现了包含循环结构且可扩展的因果基因调控网络推断。

要点

这篇论文介绍了一种名为 ADAPRE 的新方法，旨在帮助科学家更准确地绘制细胞内部的“基因调控地图”。

为了让你更容易理解，我们可以把细胞想象成一个巨大的、繁忙的交响乐团，而基因就是乐团里的乐手。

1. 核心问题：为什么以前的地图画不准？

背景：
科学家想知道谁在指挥谁（比如：小提琴手 A 是否指挥了大提琴手 B？）。以前，他们只能偷偷观察乐团演奏（观察性数据），但这很难分清是因为 A 指挥了 B，还是因为两人都在听同一个指挥（外部干扰），或者是因为 B 自己心情不好。

新工具（Perturb-seq）：
后来，科学家发明了一种“捣乱”工具（CRISPRi）。他们可以随机让某个乐手“闭嘴”（敲低基因表达），然后观察整个乐团发生了什么变化。这就像突然让小提琴手 A 停止演奏，看看大提琴手 B 会不会跟着停。这能更清楚地揭示因果关系。

旧方法的缺陷（inspre）：
虽然有了“捣乱”工具，但之前的分析方法（叫 inspre）有个大毛病：它太迷信“捣乱”的力度了。

• 比喻： 想象一下，如果小提琴手 A 被按得“哑火”很彻底（敲降力度大），而大提琴手 C 只是被轻轻按了一下（敲降力度小）。旧方法会错误地认为：因为 A 被按得最狠，所以 A 一定是乐团里最重要的“总指挥”，它指挥了很多人。
• 真相： 其实，A 被按得狠，只是因为那个“按人”的工具（gRNA）对 A 特别有效，而不是因为 A 真的指挥了更多人。这种**“力度越大，地位越高”的错觉**，导致画出来的地图充满了虚假的“超级枢纽”，扭曲了真实的网络结构。

2. 新方案：ADAPRE 是如何工作的？

作者提出了 ADAPRE，它就像给地图绘制过程装上了一个**“智能滤镜”和“精密天平”**。

第一步：更聪明的“听音”（处理数据噪音）

• 旧方法： 就像直接用耳朵听，容易把背景噪音（技术误差）当成音乐（真实表达）。
• ADAPRE： 它使用一种叫“泊松 - 对数正态”的模型。
  • 比喻： 这就像给每个乐手配了一个高保真麦克风。它知道麦克风本身会有杂音（技术采样误差），也能区分乐手是真的在演奏（生物变异）还是麦克风坏了。它先把这些“杂音”过滤掉，还原出乐手最真实的演奏状态。

第二步：公平的“打分”（消除力度偏见）

这是 ADAPRE 最核心的创新——自适应惩罚。

• 旧方法： 谁被“按”得越狠，谁的分就越高，谁就被认为是大指挥。
• ADAPRE： 它意识到：“嘿，A 被按得狠是因为工具好，不是因为它真的指挥能力强。”
  • 比喻： 想象你在评选“最佳指挥家”。如果 A 是因为被强行按着头才表现突出，ADAPRE 就会给 A 的分数打个折（增加惩罚）；如果 C 只是被轻轻碰了一下却表现得很明显，ADAPRE 就会给 C 的分数加分（减少惩罚）。
  • 结果： 这样，无论“捣乱”的力度是大是小，最终画出来的网络图只反映真实的指挥关系，而不是谁被按得最狠。

3. 成果：画出了什么样的新地图？

作者用这个方法分析了白血病细胞（K562）的数据，发现：

1. 去除了假象： 那些因为“被按得狠”而虚高的“假指挥家”消失了，网络图变得干净、真实。
2. 发现了真英雄： 他们识别出了几个真正的核心调控枢纽（如 YY1, JUND, E4F1）。
   • 比喻： 就像在交响乐团里，终于找到了真正能串联起不同声部的核心乐手。例如，发现 YY1 像一个“全能管家”，既管着 RNA 的生产，又管着信号传递；而 JUND 则像一个“应急队长”，专门负责应对压力反应。
3. 可重复性： 用不同的数据集重复实验，画出的地图依然高度一致，证明这个方法很靠谱。

总结

ADAPRE 就像是一个拥有“火眼金睛”的地图绘制师。

• 它不再被“谁被按得最狠”这种表面现象迷惑。
• 它懂得区分“技术噪音”和“真实信号”。
• 它通过**“自适应调整”**，把那些因为工具太强而显得“地位过高”的基因拉回原位，把那些被低估的基因找出来。

最终，它帮助科学家在复杂的细胞世界里，绘制出了一张更清晰、更公平、更接近真相的基因调控关系图，这对于理解癌症等疾病的发生机制至关重要。

技术摘要

这是一篇关于从 Perturb-seq 数据中推断因果基因调控网络（GRN）的学术论文的详细技术总结。该论文提出了一种名为 ADAPRE (ADAptive Penalized inverse REgression) 的新框架，旨在解决现有方法在处理 CRISPRi 扰动数据时的偏差和模型假设限制问题。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心挑战：从观测性单细胞数据中推断因果基因调控网络（GRN）面临混杂因素和复杂反馈回路（循环）的挑战。
• Perturb-seq 的优势与局限：虽然基于 CRISPRi 的 Perturb-seq 技术通过随机分配 gRNA 提供了因果推断的杠杆，但现有的计算方法存在显著缺陷：
  1. 异质性敲除效率导致的偏差：CRISPRi 的敲除效率（Perturbation strength）因 gRNA 设计和基因位点上下文而异，而非基因功能本身。现有方法（如 inspre）未能校正这种异质性，导致敲除效率强的基因被错误地推断为网络中的“枢纽”（Hub），即出现扰动 - 度偏差（Perturbation-degree bias）。
  2. 模型假设限制：
     • 部分方法（如 DoTEARS）假设网络是无环的，无法建模反馈回路。
     • 部分方法（如 BICYCLE, LLCB）假设“完美干预”，无法处理 CRISPRi 产生的部分敲除。
     • 现有主流方法（如 inspre）通常先对 UMI 计数进行标准化（Z-score），然后使用线性模型。这忽略了 UMI 计数特有的泊松均值 - 方差耦合特性，且将技术变异错误地归因于表达变异。
  3. 测量模型缺失：缺乏对 UMI 计数生成过程（技术采样）与生物变异（表达水平）的显式分离建模。

2. 方法论 (Methodology: ADAPRE)

ADAPRE 是一个端到端的两阶段框架，结合了泊松 - 对数正态（Poisson-lognormal, PLN）模型和自适应工具变量（Instrumental Variable, IV）建模。

2.1 统计模型

• 观测层（PLN 模型）：
  • 将观测到的 UMI 计数 $Y_{ci}$ 建模为泊松分布，其均值由细胞库大小 $\ell_c$ 和潜在的对数表达量 $X_{ci}$ 决定：$Y_{ci} | X_{ci}, \ell_c \sim \text{Poisson}(\ell_c e^{X_{ci}})$。
  • 这种建模方式显式地分离了技术采样（泊松部分）和生物变异（对数正态部分）。
• 潜在层（结构方程模型 SEM）：
  • 潜在的对数表达量 $X$ 遵循线性自回归结构方程模型：$X_c = X_c B + A_c \Gamma + \epsilon_c$。
  • $B$：基因调控网络矩阵（直接效应），对角线为 0。
  • $A$：扰动指示向量（gRNA 分配）。
  • $\Gamma$：对角矩阵，表示 CRISPRi 对潜在表达的直接影响（敲除强度 $\gamma$）。
  • $\epsilon$：噪声项，服从多元正态分布。
• 工具变量假设：
  • 将 gRNA 分配 $A_i$ 视为基因 $i$ 表达量 $X_i$ 的工具变量。
  • 假设满足相关性（gRNA 影响基因表达）、排他性（gRNA 仅通过目标基因影响其他基因）、独立性（gRNA 分配近似随机）和无干扰。

2.2 估计流程

ADAPRE 分为两个阶段：

• 阶段 1：估计总效应矩阵 ($\hat{T}$)

  • 利用 PLN 模型分别拟合每个扰动组（$A=e_i$）和对照组（$A=0$）的截距，获得潜在表达量的均值估计 $\hat{E}[X | A]$。
  • 利用 Wald 比率 计算总效应矩阵 $T$ 的元素：
    $$\hat{T}_{ij} = \frac{\hat{E}[X_j | A=e_i] - \hat{E}[X_j | A=0]}{\hat{E}[X_i | A=e_i] - \hat{E}[X_i | A=0]}$$
  • 其中分母即为该基因的敲除强度 $\hat{\gamma}_i$。
  • 通过 Bootstrap 重采样计算标准误。

• 阶段 2：自适应稀疏逆回归（恢复直接效应矩阵 $B$）

  • 利用恒等式 $B = I - T^{-1}$，将问题转化为求解 $T$ 的稀疏逆矩阵。
  • 核心创新：自适应惩罚。为了解决敲除强度导致的度偏差，ADAPRE 在优化问题中引入了行特定的 $\ell_1$ 惩罚项：
    $$\min_{U,V} \frac{1}{2} \| W \odot (\hat{T} - U) \|_F^2 + \sum_{i \neq j} \lambda \phi(\hat{\gamma}_i) |V_{ij}|$$
    其中 $\phi(\hat{\gamma}_i) = |\hat{\gamma}_i| / \text{mean}(|\hat{\gamma}|)$。
  • 机制：对于敲除强度大（$|\hat{\gamma}_i|$ 大）的基因，施加更大的惩罚权重，防止其被过度推断为枢纽节点；反之，对弱敲除基因降低惩罚权重。这校正了由异质性效率引起的拓扑偏差。
  • 使用 ADMM 算法进行数值优化。

3. 主要贡献 (Key Contributions)

1. 显式建模 UMI 计数：首次将 PLN 模型引入 Perturb-seq 的因果网络推断，解决了 UMI 计数数据的过离散和均值 - 方差耦合问题，避免了“先标准化后建模”带来的技术偏差。
2. 解决扰动 - 度偏差：提出了基于工具变量强度的自适应惩罚机制，有效消除了 CRISPRi 敲除效率异质性导致的网络拓扑扭曲（即强敲除基因不再被错误地推断为高连接度的 Hub）。
3. 支持循环结构：框架允许网络中存在反馈回路（循环），克服了传统基于得分方法（Score-based）的无环假设限制。
4. 可扩展性与可解释性：提供了一个可扩展的框架，能够处理全基因组规模的 Perturb-seq 数据，并生成具有生物学意义的因果网络。

4. 实验结果 (Results)

• 模拟实验：

  • 在存在混杂因素和循环结构的随机图模拟中，ADAPRE 在 F1 分数、结构汉明距离（SHD）和平均绝对误差（MAE）上均优于现有方法（如 inspre, LiNGAM, GIES, IGSP）。
  • 特别是在弱工具变量（弱敲除）和小效应量的场景下，ADAPRE 表现出鲁棒性。
  • 消融实验证明，自适应惩罚机制显著降低了估计出的节点度与敲除强度之间的相关性，使网络拓扑不再受干预强度驱动。

• 真实数据验证 (K562 和 teloHAEC 数据集)：

  • 偏差校正：在 K562 和 endothelial (teloHAEC) 数据集中，ADAPRE 成功消除了 inspre 中观察到的“强敲除=高连接度”的虚假相关性。
  • 外部验证：与独立数据库（CORUM 蛋白复合物、STRING 蛋白互作、ChIP-seq TF 结合位点）进行比对，ADAPRE 推断出的边在富集度（Enrichment）上显著高于其他方法，且随着稀疏度变化保持稳健。
  • 稳定性与可重复性：
    • 在数据拆分（Split-half）实验中，ADAPRE 估计的网络具有高度稳定性。
    • 在两个独立的 K562 Perturb-seq 数据集（GWPS vs. Essential）之间，推断出的网络结构和符号一致性表现出高度可重复性。
  • 生物学发现：在 K562 细胞中，ADAPRE 重构了与白血病相关的子网络。例如，识别出以 YY1、JUND 和 E4F1 为中心的调控模块，这些模块与 RNA 生物合成、应激反应和造血功能高度一致。特别地，发现 YBX1 作为 YY1 和 JUND（负向调节）与 E4F1（正向调节）的汇聚点，揭示了潜在的拮抗调控轴。

5. 意义与结论 (Significance)

• 填补空白：ADAPRE 填补了高通量扰动实验（Perturb-seq）与复杂调控逻辑重建之间的关键空白。
• 方法学进步：通过结合计数感知（Count-aware）的测量模型和自适应工具变量正则化，为从单细胞扰动数据中推断因果网络提供了更准确、更可靠的方法。
• 应用价值：该方法能够识别出具有生物学意义的因果调控枢纽和子网络，有助于深入理解细胞身份维持和疾病（如白血病）的分子机制。
• 未来方向：论文也指出了局限性，如依赖标准 IV 假设（可能受脱靶效应影响）、目前仅支持单扰动设计（未来可扩展至多重扰动）以及需要结合更多生物先验知识进行联合调优。

总结：ADAPRE 通过改进统计建模（PLN）和引入自适应惩罚策略，有效解决了 CRISPRi Perturb-seq 数据分析中的技术偏差和效率异质性问题，是目前推断含循环结构的因果基因调控网络的最先进（SOTA）方法之一。