Causal Discovery on Dependent Mixed Data with Applications to Gene Regulatory Network Inference

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الاكتشاف السببي للبيانات المختلطة المعتمدة وتطبيقاته في استنتاج شبكات التنظيم الجيني" من إعداد أليكس تشين وكوينغ تشو.

1. بيان المشكلة

يهدف الاكتشاف السببي إلى استنتاج العلاقات السببية بين المتغيرات من البيانات الرصدية، والتي تُمثل عادةً برسم بياني موجه غير حلقي (DAG). تواجه الأساليب الحالية عائقين حرجين في التطبيقات الحديثة:

1. انتهاك فرضية الاستقلالية والتماثل (i.i.d.): تفترض معظم الخوارزميات القياسية أن الملاحظات (العينات) مستقلة ومتماثلة التوزيع. ومع ذلك، في مجالات مثل تحليل الشبكات الاجتماعية وعلم الجينوم (تحديداً تسلسل الحمض النووي الريبي أحادي الخلية)، غالباً ما تظهر العينات اعتمادية (مثل الخلايا من نفس السلالة أو تأثيرات الدفعة).
2. أنواع البيانات المختلطة: تحتوي مجموعات البيانات في العالم الحقيقي غالباً على مزيج من المتغيرات المستمرة والمنفصلة. ويعد نمذجة الاعتماد عبر العينات أمراً صعباً بشكل خاص عندما تكون المتغيرات منفصلة، حيث لا يمكن تطبيق تقنيات إلغاء الارتباط القائمة على الارتباط القياسي مباشرة على البيانات المنفصلة.

تعالج الورقة البحثية تحدي تعلم هياكل الـ DAG السببية من البيانات المختلطة المعتمدة (التي تحتوي على متغيرات مستمرة ومنفصلة مع عينات مرتبطة).

2. المنهجية

يقترح المؤلفون إطار عمل لإلغاء الارتباط يعتمد على نموذج معادلة هيكلية لمتغير كامن (Latent Variable SEM). تتكون المنهجية من ثلاث مراحل رئيسية:

أ. صياغة نموذج المتغير الكامن

يعمم المؤلفون نموذج الـ SEM للتعامل مع البيانات المختلطة:

• العملية الكامنة: كل متغير مرصود $X_j$ (سواء كان مستمراً أو منفصلاً) يتم توليده من متغير كامن مستمر $Z_j$.
• التجزئة (Discretization): يتم نمذجة المتغيرات المنفصلة عبر دالة كمية $Q(\cdot)$ حيث $X_j = Q(Z_j; T_j)$، والتي تحددها العتبات $T_j$. أما المتغيرات المستمرة فتُلاحظ مباشرة ($X_j = Z_j$).
• هيكل الاعتماد: تتبع المتغيرات الكامنة نموذج SEM خطي:
  $$Z_j = \sum_{k \in PA_j} \beta_{kj} g(Z_k) + \varepsilon_j$$
  حيث $g(Z_k)$ هو المتغير الكامن نفسه (إذا كان مستمراً) أو النسخة المجزأة منه (إذا كان منفصلاً).
• الضجيج المرتبط: تتبع حدود الخطأ $\varepsilon_j$ توزيعاً طبيعياً متعدد المتغيرات $\mathcal{N}_n(0, \Sigma)$، حيث يلتقط $\Sigma$ الاعتماد بين الوحدات (العينات). وهذا يؤدي إلى إحداث اعتماد في البيانات المرصودة.

ب. مرحلة ما قبل التقدير

قبل إلغاء الارتباط، يقوم المؤلفون بتقدير معاملات النموذج:

1. العتبات والمعاملات: باستخدام خوارزمية الصعود الإحداثي (coordinate ascent)، يقدرون العتبات ($T$) ومعاملات الانحدار ($\beta$) للمتغيرات المنفصلة، بافتراض أولي أن الأخطاء مستقلة ($\Sigma = I$).
2. تقدير التباين والتباين المشترك: باستخدام مقدر الاحتمال الأقصى الزوجي (pairwise MLE)، يقدرون العناصر خارج القطر لمصفوفة التباين $\Sigma$. يدمج هذا النهج الأزواج المستمرة والمنفصلة لتقدير هيكل الارتباط بين الوحدات، بافتراض بنية قطرية كتلية لـ $\Sigma$ لتعكس المجموعات الطبيعية (مثل عناقيد الخلايا).

ج. إلغاء الارتباط وتعلم الهيكل

الابتكار الجوهري هو تحويل البيانات المعتمدة إلى بيانات مستقلة تقريباً:

1. استعادة المتغير الكامن (خوارزمية EM): بالنسبة للمتغيرات المنفصلة، يتم استكمال القيم المستمرة الكامنة $Z_j$ باستخدام خوارزمية توقع-تعظيم (EM). في خطوة التوقع (E-step)، يتم أخذ عينات من توزيع غاوسي مقطوع متعدد المتغيرات مشروط بالنتائج المنفصلة المرصودة، وفي خطوة التعظيم (M-step)، يتم تحديث معاملات الانحدار.
2. تحويل إلغاء الارتباط: بمجرد استعادة البيانات الكامنة $\hat{Z}$، يتم تحويلها باستخدام عامل تشوليسكي $L$ لمصفوفة الدقة $\Theta = \Sigma^{-1}$:
   $$\tilde{Z} = L^\top \hat{Z}$$
   هذا التحويل يزيل الاعتماد على مستوى العينة، مما ينتج عنه مجموعة بيانات تكون فيها الوحدات مستقلة تقريباً.
3. الاكتشاف السببي: تُطبق خوارزميات الاكتشاف السببي القياسية (مثل MMHC، وPC، وCopula-PC) على البيانات المستمرة التي تم إلغاء ارتباطها $\tilde{Z}$.
4. التجميع (Aggregation): للتعامل مع التباين الناتج عن أخذ عينات EM، يقترح المؤلفون استراتيجيتين للهيكل النهائي:
   • الإجماع (Consensus): تشغيل خوارزمية الاكتشاف على عدة مجموعات بيانات ملغاة الارتباط وقبول الحواف التي تظهر في أغلبية عمليات التشغيل.
   • المتوسط (Average): حساب متوسط مجموعات البيانات الملغاة الارتباط قبل تشغيل خوارزمية الاكتشاف مرة واحدة.

3. المساهمات الرئيسية

1. إطار عمل موحد للبيانات المختلطة: توسع الورقة نماذج SEM للمتغيرات الكامنة للتعامل مع مزيج عام من المتغيرات المستمرة والمنفصلة متعددة المستويات تحت اعتماد العينات، متجاوزة قيود الطرق السابقة التي تعاملت فقط مع البيانات الثنائية أو البيانات المستمرة الصرفة.
2. إلغاء الارتباط عبر pairwise MLE: تطوير مقدر احتمالية زوجي لمصفوفة التباين $\Sigma$ يسمح بتقدير قوي لهياكل الاعتماد دون الحاجة إلى معرفة مسبقة بشبكة الوحدات.
3. الاستكمال باستخدام EM: تم تطوير خوارزمية EM مبتكرة لاستكمال المتغيرات المستمرة الكامنة للملاحظات المنفصلة مع مراعاة الارتباطات عبر العينات.
4. التطبيق على scRNA-seq: تم تطبيق الطريقة بنجاح لاستنتاج شبكات التنظيم الجيني (GRNs) من بيانات تسلسل الحمض النووي الريبي أحادي الخلية، مع نمذجة الطبيعة غير المستقلة (non-i.i.d) للخلايا (السلالة وتأثيرات الدفعة) بشكل صريح.

4. النتائج

الدراسات المحاكية

• تقدير التباين والتباين المشترك: قدر نهج pairwise MLE مصفوفة التباين $\Sigma$ بدقة، حيث انخفض جذر متوسط مربع الخطأ (RMSE) مع زيادة عدد المتغيرات.
• فعالية إلغاء الارتباط: بعد التحويل، انخفض الارتباط بين الوحدات بشكل كبير (من متوسط 0.62 في البيانات الخام إلى 0.09 في البيانات الملغاة الارتباط).
• استعادة الـ DAG: عبر خوارزميات تعلم DAG المختلفة (MMHC، وPC، وCopula-PC) وإعدادات البيانات المختلفة (عشوائية ومرجعيات DAG حقيقية)، تفوقت نهجي الإجماع (Consensus) والمتوسط (Average) المقترحين بشكل كبير على الأساس (Baseline) (الذي طبق الطرق القياسية مباشرة على البيانات المختلطة المعتمدة).
  • تحسنت درجات F1 لاستعادة الرسم البيئي السببي بشكل كبير، خاصة في الإعدادات عالية الأبعاد ($p > n$) وعند استخدام Copula-PC.
  • حقق نهج "الإجماع" عموماً أكثر استقراراً في استعادة الحواف.

تطبيق البيانات الحقيقية (شبكات التنظيم الجيني)

• مجموعة البيانات: طُبقت على بيانات scRNA-seq من خلايا جذعية بشرية جنينية (تتمايز إلى سلالات مختلفة).
• ملائمة النموذج: أظهرت التحقق المتقاطع (Cross-validation) أن الطريقة المقترحة (Consensus) حققت احتمالية لوغاريتمية (log-likelihood) أعلى بكثير لبيانات الاختبار مقارنة بالأساس و"Consensus-Ident" (الذي تجاهل إلغاء الارتباط). وهذا يؤكد أن نمذجة اعتماد العينات يحسن دقة التنبؤ.
• الصلاحية البيولوجية: احتوت الشبكة المستنتجة على حواف عالية الثقة مدعومة بالأدبيات الموجودة. أمثلة تشمل:
  • التفاعلات بين منظمات تعدد القدرات (POU5F1، وNANOG، وZFP42).
  • حلقات التغذية الراجعة (NODAL $\leftrightarrow$ LEFTY1).
  • الروابط التنظيمية المعروفة (PRDM14 $\to$ NANOG).
• الاستقرار: حدد تحليل البوتستراب (bootstrap) ثقة الحواف، مما أظهر أن الشبكة المستنتجة قوية تجاه تغيرات أخذ العينات.

5. الأهمية

يوفر هذا العمل حلاً مبدئياً لمشكلة منتشرة في علوم البيانات الحديثة: الاستدلال السببي على البيانات المختلطة المعتمدة.

• الأثر المنهجي: يوضح أن خوارزميات الاكتشاف السببي لا تحتاج إلى إعادة تصميم جوهرية للتعامل مع البيانات المعتمدة؛ بل يمكن "غسل" الاعتماد عبر خطوة معالجة مسبقة لإلغاء الارتباط بناءً على نموذج متغير كامن.
• الأثر البيولوجي: في سياق علم الجينوم أحادي الخلية، توفر الطريقة وسيلة أكثر دقة لاستنتاج شبكات التنظيم الجيني من خلال الاعتراف بأن الخلايا ليست عينات مستقلة. يؤدي هذا إلى تحديد أفضل للآليات التنظيمية التي تقود تمايز الخلايا، وهو أمر بالغ الأهمية لفهم التطور والأمراض.
• الاتجاهات المستقبلية: يشير المؤلفون إلى أنه بينما يفترض الإطار الحالي الخطية، فإنه يمكن توسيعه ليشمل نماذج SEM غير خطية، وهو يتعامل حالياً مع البيانات الرصدية ولكن يمكن دمجه مع البيانات التدخلية (interventional data) لتحسين القدرة على التحديد (identifiability).