A Prior-Regularized Framework for Knowledge-Guided Differentiable Causal Discovery

ملخص تقني: إطار عمل مُنظم مسبقاً لتوجيه الاكتشاف السببي القابل للتفاضل بالمعرفة

بيان المشكلة
قامت طرق الاكتشاف السببي القابل للتفاضل، مثل NOTEARS وDAGMA وGOLEM، بإعادة صياغة قيد عدم وجود دورات (acyclicity constraint) التوليفي إلى دوال سلسة، مما مكن من تعلم البنية عبر مُحسِّنات التدرج القياسية. ومع ذلك، تعامل هذه الطرق جميع الحواف المرشحة كأنها مجهولة بالتساوي، متجاهلة عقوداً من المعرفة النطاقية المنسقة (مثل التفاعلات بين عوامل النسخ والأهداف أو الارتباطات بين البروتينات والبروتينات). هذا التعامل المتماثل يخلق مشكلتين حرجتين:

1. عدم الكفاءة: تستهلك المُحسِّنات قدرتها في إعادة اكتشاف الحواف المعروفة بدلاً من تحديد العلاقات الجديدة.
2. عدم الاستقرار في أنظمة العينات الصغيرة: في الإعدادات عالية الأبعاد وصغيرة العينات ($n < 2d$)، وهي شائعة في الدراسات النسخية (transcriptomic)، غالباً ما تحقق الطرق التفاضلية الأساسية أداءً يقترب من العشوائية (على سبيل المثال، درجات F1 تترا-وح 0.06–0.07 عند $d=100, n=200$)، مما يجعلها غير فعالة تماماً عندما تكون البيانات شحيحة.

غالباً ما تكون النهج الحالية لدمج المعرفة النطاقية مقيدة بإعدادات محددة (مثل الأولويات البايزية أو خوارزميات معينة) وتفتقر إلى إطار عمل عام لحقن أي أولويات تنظيمية زوجية في أي عمود فقري للاكتشاف السببي القابل للتفاضل.

المنهجية
يقترح البحث إطار عمل "مُنظماً مسبقاً" (Prior-Regularized Framework) عالمياً، يقوم بتعزيز أهداف الاكتشاف السببي القابل للتفاضل الحالية عبر إضافة حد جزاء مستمد من قواعد البيانات المنسقة.

• بناء الأولويات: يتم إنشاء مصفوفة أولية $W_{prior} \in \mathbb{R}^{d \times d}$ من قواعد بيانات منسقة (مثل TRRUST v2 لعوامل النسخ، أو STRING v12 لتفاعلات البروتين). إذا وجد تفاعل تنظيمي $(g_i \to g_j)$ في قاعدة البيانات، فإن $(W_{prior})_{ij} = \mu$ (القيمة الافتراضية $\mu=0.5$)؛ وإلا فإنه يساوي 0. بالنسبة للاختبارات الاصطناعية، تمت محاكاة التغطية الجزئية عن طريق ترميز كسر $\alpha$ من الحواف الحقيقية.
• دالة الهدف: يعدل الإطار وظائف الخسارة القياسية لـ NOTEARS وDAGMA وGOLEM بإضافة حد جزاء بنورم فروبينيوس (Frobenius norm):
  $$L_{prior}(W) = L_{base}(W) + \lambda_p \|W - W_{prior}\|_F^2$$
  حيث يتحكم $\lambda_p$ في قوة توجيه الأولوية.
  • NOTARS: يعزز هدف لاغرانج الموسع بحد الجزاء الخاص بالأولوية.
  • DAGMA: يضيف الجزاء إلى هدف قيد لوغاريتم المحدد (log-determinant constraint).
  • GOLEM: يدمج الجزاء في خسارة الاحتمالية الغاوسية (Gaussian likelihood-based loss).
• التحسين: يستخدم الإطار مُحسِّن Adam مع معدلات تعلم وجداول زمنية محددة. بالنسبة لـ DAGMA، يتم إجراء تحليل كوليسكي (Cholesky factorization) بشكل دوري للتخفيف من التكاليف الحسابية من رتبة $O(d^3)$.

المساهمات الرئيسية

1. إطار عمل عالمي: مسار حوسبي غير مرتبط بقاعدة بيانات وغير مرتبط بالعمود الفقري، يسمح لأي طريقة اكتشاف سببي قابلة للتفاضل بالاستفيد من المعرفة الزوجية المنسقة.
2. التنفيذ: تنفيذ قابل لإعادة الإنتاج بالكامل (حوالي 600 سطر من لغة Python/PyTorch) مع ميزة تحمل الأخطاء القائمة على نقاط الفحص (checkpoint-based fault tolerance)، يدعم الاختبارات الاصطناعية والتحقق من البيانات الحقيقية.
3. التقييم المنهجي: تقييم شامل عبر ستة أبعاد ($d \in \{30, \dots, 200\}$) وأربعة معدلات تغطية للأولوية ($\alpha \in \{0.1, \dots, 0.7\}$)، بإجمالي 1,440 عملية تشغيل مستقلة.

النتائج

• الاختبارات الاصطناعية:
  • حسن NOTEARS المنظم مسبقاً درجات F1 في 15 من أصل 24 تكويناً.
  • حدثت أكبر المكاسب في الأبعاد الصغيرة ($d \le 50$) حيث يكون أداء الأساس ضعيفاً. عند $d=30$ مع $\alpha=0.7$، تحسنت درجة F1 من 0.046 (الأساس) إلى 0.090 (زيادة نسبية قدرها 98%).
  • بلغ متوسط $\Delta$F1 عبر جميع التكوينات +0.013.
  • لم يظهر DAGMA فائدة منهجية في أنظمة $n$ الصغيرة (غالباً ما يتقارب نحو صفر حواف)، بينما أظهر GOLEM تأثيرات مختلطة ولكن إيجابية عند الأبعاد الأعلى ($d \ge 80$).
• التحقق من البيانات الحقيقية (TCGA):
  • طُبق على 33 نوعاً من السرطانات في TCGA ($d=200$).
  • تحليل التغطية: وفرت قاعدة بيانات STRING (بعد تصفية الدرجة > 900) تغطية بنسبة 100% لمجموعات جينات السرطان (متوسط 138 مدخلاً لكل مجموعة)، بينما غطت TRRUST 21% فقط (متوسط 0.5 مدخل).
  • الأهمية الإحصائية: بينما أظهرت 11 من أصل 33 نوعاً من السرطان زيادة إيجابية في $\Delta$F1، إلا أن اختبار ويلكوكسون للرتب الموقعة (Wilcoxon signed-rank test) على المجموعة الكاملة أعطى $p=0.061$، وفشل في الوصول إلى الأهمية التقليدية ($\alpha=0.05$). ويعزو المؤلف هذه الفجوة إلى ضوضاء القياس والمتغيرات المربكة غير المقاسة في البيانات الحقيقية، على عكس البيئة الاصطناعية النظيفة.
  • الأهمية البيولوجية: في أنواع السرطان ذات التأثيرات الإيجابية للأولوية (مثل UCEC)، اكتشفت النماذج المنظمة مسبقاً حواف ذات إثراء أعلى بكثير في الوجود الجيني (Gene Ontology) مقارنة بالنماذج الأساسية (زيادة 18 ضعفاً في النتائج ذات الصلة بالسرطان).
  • فحص DepMap: لم يكشف فحص CRISPR التعاوني على مستوى الجينوم ($d=1000$) عن أي ارتباطات زوجية ذات دلالة، مما يعزز صعوبة الاكتشاف السببي على نطاق واسع دون أولويات منسقة.
• الحساسية: الإطار قوي لـ $\lambda_p \in [0.5, 1.0]$ في البيانات الاصطناعية و $\lambda_p \in [0.1, 2.0]$ في البيانات الحقيقية. يوصي المؤلف باستخدام $\lambda_p = 0.5$ كقيمة افتراضية عملية.

الأهمية والادعاءات
يصنف البحث هذا العمل كـ مقال منهجي (Methodology article)، مؤكداً على مساهمته في أطر التنظيم الحوسبية بدلاً من الاكتشافات البيولوجية الجديدة.

• سد الفجوة: يُمكّن الإطار الاكتشاف السببي من الاستفادة من المعرفة البيولوجية الموجودة بدلاً من محاولة إعادة اكتشافها من الصفر.
• الفائدة المستهدفة: تحقق الطريقة أكبر التحسينات في نظام $n < 2d$، حيث تكون الطرق الأساسية الأقل موثوقية، مما يوفر مساراً من الأداء "العشوائي تقريباً" إلى الأداء "المتوقع بدرجة متوسطة" للدراسات النسخية.
• القابلية للتوسع وإعادة الإنتاج: النهج قابل لإعادة الإنتاج بالكامل، وغير مرتبط بقاعدة بيانات (متوافق مع TRRUST أو STRING أو أي مصدر معرفة زوجي)، وغير مرتبط بالعمود الفقري.
• الآفاق المستقبلية: يشير المؤلف إلى أن فعالية الإطار محدودة حالياً بعدم اكتمال قواعد البيانات المنسقة. ومع توسع قواعد البيانات (مثلاً عبر مشاريع مثل Biomni)، من المتوقع أن يصبح نهج التنظيم المسبق أكثر قوة، محولاً عقوداً من الأبحاث البيولوجية إلى قيود قابلة للتطبيق لنماذج تعلم الآلة.

يخلص المؤلف إلى أنه بينما لا تحل الطريقة التحديات الأساسية للضوضاء وعدم الخطية في العالم الحقيقي، إلا أنها توفر أداة تأسيسية وقابلة للتعميم للتعلم الهيكلي السببي الموجه بالمعرفة.