我们报告了一种信息理论方法一类纯观测的因果或非因果图形模型数据,同时包括未观察到的潜在变量的影响,通常在许多数据集中发现。从一个完整的图开始,该方法通过发现重要信息,反复删除不必要的边间接途径的贡献,并评估边缘特定的信任度来自可用数据的随机化。然后确定其余边的方向基于观测数据中因果关系的特征。这种方法可以应用于广泛的数据集并提供新的生物学见解基于单细胞表达数据、基因组改变的调控网络在肿瘤发展和蛋白质结构中的共同进化残基。有关更多信息,请参阅:Cabeli等人,《公共科学图书馆·综合》。生物2020<doi:10.1371/journal.pcbi.1007866>,Verny等人,《公共科学图书馆·综合》。生物。2017<doi:10.1371/journal.pcbi.1005662>。
请使用规范形式https://CRAN.R-project.org/package=miic链接到此页面。