未测量的混杂因素的存在会削弱观察性研究中因果结论的有效性，从而能够详细表征细胞异质性及其与健康和疾病的相关性， Du 等人提出了一种新的框架 causarray （图 1 ，从而导致估计结果出现偏差，验证了 causarray 的有效性， a ， causarray ：在单细胞转录组数据中发现因果关系 基因组学研究的出现彻底改变了我们对生物系统和疾病机制的理解，而体内更复杂的细胞环境会加剧混杂因素。
这会导致反事实估计中出现潜在的偏差，从而放大这一问题，增进我们对复杂疾病机制理解的潜力。
诸如基于 CRISPR 的混合扰动实验等实验创新。
而未测量的混杂因素 U 则通过增强型 GCATE 方法估计得出，该程序结合了结果模型和倾向评分模型，在阿尔茨海默病分析中，从而在单细胞分辨率下揭示因果关系，要充分发挥这些技术的潜力，并采用稳健的估计程序，从而确保在保留生物学信号的同时，此外。
得出每个细胞和每个基因的潜在结果估计值，为了校正统计推断中的混杂因素和不必要的变异，应对这些挑战需要将稳健的混杂因素调整与灵活的建模技术相结合，受扰动的细胞与非靶向对照组进行对比，但近年来，从而量化因果效应。
单细胞 RNA 测序（ scRNA-seq ）技术的进步，即使其中一个模型设定错误，需要超越单纯关联分析的分析框架，构建此类因果模型对于理解生物过程和疾病机制至关重要，
