连续时间里的因果估计换了工具变量：混杂越强，离散时间方法越偏，路径型矩条件仍稳
连续时间随机过程此前没有对应的工具变量框架，离散时间方法把工具变量的结构稀疏性放在有限步转移上，与真实机制不符。研究者把相关性、排除性与外生性三条假设直接写在随机微分方程漂移的无穷小层面，用工具过程整条路径构造矩条件，并在线性情形给出可识别条件与一致估计。在混杂的 Ornstein-Uhlenbeck 模拟系统上，最大似然估计随混杂增强而系统性偏大，而该估计保持稳定；单个工具过程还能识别多维因果效应。
同一靶点的向导RNA不再简单合并：按多数一致加权，把脱靶偏差压到接近零
Perturb-seq 常把针对同一靶点的多条向导RNA当作重复样本合并，但向导的脱靶效应会让靶点层面的估计带上偏差。PETRO 假定每个结果中多数向导是有效的，用稳健加权把与多数不一致的向导降权，从而在不删除向导、不使用序列注释的情况下估计靶点扰动效应。在 RPE-1 CRISPRa 数据中，最长种子匹配为13–18 bp的靶点—结果对上，合并的平均偏差为0.087，PETRO 的残余偏差为0.005；模拟中合并的偏差随细胞数增加仍停留在约0.075，PETRO 则降到接近零。
已读完全部报道