Großangelegte kausale Entdeckung mittels intervenierender Daten wirft Licht auf die Struktur von Gennetzwerken in K562-Zellen

Die Inferenz von gerichteten biologischen Netzwerken ist ein wichtiges, aber notorisch herausforderndes Problem. Die jüngste Verbreitung von großangelegten CRISPR-Störungdaten bietet eine neue Gelegenheit, dieses Problem anzugehen, indem die transkriptionale Antwort auf die Anwesenheit eines gene-targeting Führers genutzt wird. Hier stellen wir inverse spärliche Regression (inspre) vor, einen Ansatz zur Erlernung kausaler Netzwerke, der großangelegte Interventions-Antwortdaten nutzt. Angewendet auf 788 Gene aus dem genomweiten perturb-seq-Datensatz, entdeckt inspre ein Netzwerk mit Small-World- und skalenfreien Eigenschaften. Wir integrieren unsere Netzwerkabschätzung mit externen Daten und finden Beziehungen zwischen der Eigenzentralität von Genen und sowohl Maßstäben der Genwesenheit als auch der Heritabilität des Genausdrucks. Unsere Analyse hilft, die Struktur von Netzwerken zu erhellen, die komplexe Merkmale zugrunde liegen könnten. Die Autoren geben eine Methode zur Erlernung kausaler Gennetzwerke unter Verwendung von Perturb-seq-Daten. In K562-Zellen finden sie ein Netzwerk mit Small-World- und skalenfreien Eigenschaften. Die Analyse zeigt eine Beziehung zwischen der Zentralität von Genen, der Essenzialität und der Heritabilität.