CauTrigger框架辨識生物因果驅動因子

研究背景

生物系統的狀態轉變通常受到多層次調控網絡的共同影響，不同分子之間通過複雜的級聯作用，決定着細胞命運、疾病進展及機體表型的走向。

傳統組學分析主要關注統計相關性，難以區分真正驅動狀態變化的因果因素，與只是伴隨出現的非因果信號，從而影響機制研究的可靠性。

方法設計

CauTrigger融合因果推斷與深度潛在變量建模，通過整合do-calculus干預理論，將觀測數據中的潛在因果因素與虛假關聯因素分離。

框架其後逐層遞歸重建不同調控層次之間的因果關係，從而識別潛在的狀態轉變驅動因子，並對系統在受到擾動時的響應作出預測，形成完整的解析流程。

驗證與應用

在多種模擬數據及真實生物學數據中，CauTrigger於因果觸發因子識別及系統響應預測兩方面均接受檢驗，結果顯示方法在該兩項任務上具有可用性。

框架面向疾病進展、細胞命運等關鍵生物學過程，提供可解釋的因果解析，有助提升靶點發現與機制理解的可靠性，為因果與伴隨信號的區分提供工具。