Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions

Este trabajo propone un marco para la inferencia conformal selectiva bajo intervenciones que combina un teorema de cobertura robusto a la contaminación con un aprendizaje causal parcial orientado a la tarea, permitiendo identificar ejemplos de calibración válidos y mantener garantías de cobertura finitas incluso cuando la estructura causal subyacente es desconocida.

Lo esencial

Imagina que eres un chef experto que quiere predecir exactamente cómo cambiará el sabor de un plato si le añades un ingrediente nuevo (por ejemplo, un poco de chili).

Para hacer esta predicción con seguridad, necesitas probar el plato con muchos ingredientes diferentes antes. Pero aquí está el truco: no todos los ingredientes anteriores son útiles para tu prueba actual.

• Si el ingrediente nuevo es "chili", no te sirve probar el plato con ingredientes que ya son picantes (como el jalapeño), porque el sabor se mezcla y no sabes qué efecto tuvo el nuevo chili.
• Solo te sirven los ingredientes que no son picantes (como la sal o el azúcar), porque esos mantienen el "sabor base" intacto y te permiten ver claramente el cambio que produce el chili.

En el mundo de la ciencia (específicamente en genética), esto es lo que hacen los investigadores: quieren saber qué genes cambian cuando "interrumpen" (apagan o modifican) otro gen. Pero para hacer predicciones seguras, necesitan saber qué genes son "parientes" (descendientes) del gen que modificaron y cuáles no.

El problema es que nadie tiene el mapa completo de la familia genética. Intentar dibujar todo el árbol genealógico de 200 genes es como intentar resolver un rompecabezas de un millón de piezas: es muy difícil, lento y propenso a errores.

¿Qué propone este paper?

Los autores dicen: "¡No necesitamos el mapa completo! Solo necesitamos saber si un gen específico es 'pariente' o 'extraño' para nuestra prueba".

Aquí están sus tres grandes ideas, explicadas con analogías:

1. La "Línea de Seguridad" (Teorema de Robustez)

Imagina que estás llenando un balde con agua limpia (datos buenos) para medir la temperatura. Si por error echas un poco de agua sucia (datos contaminados) en el balde, tu medición se arruina.

Los autores crearon una fórmula matemática mágica que dice: "Si echas un 30% de agua sucia, tu medición será un poco menos precisa, pero podemos calcular exactamente cuánto menos precisa será".

• La solución: En lugar de intentar evitar el error al 100% (lo cual es imposible), usan esta fórmula para agrandar un poco el margen de error de su predicción. Es como decir: "Sabemos que el agua está un poco sucia, así que diremos que la temperatura está entre 20°C y 25°C en lugar de entre 22°C y 23°C". De esta forma, aunque haya suciedad, la predicción sigue siendo segura y confiable.

2. El "Detective de Patrones" (Aprendizaje Parcial)

En lugar de intentar reconstruir toda la historia familiar de los genes (el grafo causal completo), el método actúa como un detective que solo busca patrones de coincidencia.

• La analogía: Imagina que quieres saber si dos personas son primos. En lugar de buscar sus abuelos y bisabuelos (el árbol completo), solo miras si comparten ciertos rasgos físicos específicos que solo aparecen en esa familia.
• Cómo funciona: El algoritmo mira qué genes cambian cuando se modifica el Gen A. Luego mira qué genes cambian cuando se modifica el Gen B. Si el Gen A y el Gen B afectan a los mismos genes "hijos", es muy probable que estén relacionados. Si no comparten nada, probablemente no lo estén.
• El truco: El algoritmo es conservador. Si duda si un gen es "pariente" o no, lo trata como "pariente" (peligroso) para evitar meterlo en el balde de agua limpia. Es mejor perder un poco de datos (dejar fuera un gen que sí servía) que meter un gen que arruine la prueba.

3. La "Prueba de Fuego" (Experimentos)

Los autores probaron su método de dos formas:

1. En el laboratorio virtual (Simulaciones): Crearon 200 genes falsos y les inyectaron "suciedad" (errores) deliberadamente.
   • Resultado: Cuando no corregían el error, sus predicciones fallaban (daban un 86% de seguridad en lugar del 95% prometido). Pero cuando usaron su "fórmula mágica" para corregir el error, ¡volvieron a tener un 95% de seguridad! Incluso con mucha suciedad.
2. En la vida real (Genética humana): Usaron datos reales de un experimento famoso donde modificaron genes en células humanas (CRISPR).
   • Resultado: Fue más difícil porque la biología real es caótica (ruido, efectos secundarios), pero su método fue el único que logró mantener la promesa de seguridad (superó el 90% de precisión), mientras que los otros métodos fallaron.

En resumen

Este paper es como un manual de supervivencia para científicos que quieren hacer predicciones seguras en un mundo imperfecto.

• El problema: Queremos ser más precisos ignorando datos que no nos sirven, pero no sabemos exactamente cuáles son esos datos.
• La solución: No intentes ser perfecto. Acepta que cometerás errores, pero calcula cuánto te costará ese error y ajusta tu predicción para compensarlo.
• El resultado: Puedes hacer predicciones más estrechas y útiles (como un intervalo de temperatura más preciso) sin sacrificar la seguridad, incluso si no tienes el mapa completo del mundo genético.

Es una forma inteligente de decir: "No necesitamos saberlo todo para saber lo suficiente; solo necesitamos saber cómo manejar lo que no sabemos".

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions" en español.

1. Problema y Motivación

El Aprendizaje Conformal (Conformal Prediction - CP) es un marco robusto para la cuantificación de incertidumbre que garantiza coberturas marginales finitas bajo el supuesto de intercambiabilidad de los datos. Sin embargo, en entornos científicos donde los datos provienen de múltiples intervenciones (como experimentos de perturbación genética), la intercambiabilidad a menudo no se cumple globalmente, sino solo dentro de subconjuntos específicos de condiciones.

El desafío central abordado en este trabajo es:

• Incertidumbre en intervenciones: En redes de regulación génica, intervenir en un gen $a$ afecta la distribución de un gen objetivo $i$ si y solo si $i$ es un descendiente causal de $a$. Si $i$ no es descendiente, su distribución residual permanece invariante (intercambiable) bajo la intervención.
• Limitación del CP Selectivo: El CP selectivo (o Mondrian) puede generar intervalos de predicción mucho más estrechos al calibrar solo con intervenciones que no afectan al objetivo ("invariantes"). No obstante, la estructura causal (quién es descendiente de quién) rara vez se conoce.
• El riesgo de la contaminación: Si se aprende una estructura causal parcial incorrecta, se pueden incluir intervenciones "contaminadas" (que sí afectan al objetivo) en el conjunto de calibración. Esto viola la intercambiabilidad y degrada la garantía de cobertura, llevando a intervalos demasiado estrechos y falsos positivos.
• Complejidad: Aprender el grafo causal completo en alta dimensión es computacionalmente costoso y propenso a errores. El objetivo no es aprender el grafo completo, sino solo la estructura parcial necesaria para la calibración selectiva.

2. Metodología

Los autores proponen un marco que combina el aprendizaje causal parcial con una teoría de robustez ante la contaminación.

A. Marco Teórico: Cobertura Robusta a $\delta$

Se define la fracción de contaminación ($\delta$) como la proporción de intervenciones en el conjunto de calibración seleccionado que, erróneamente, se clasificaron como "invariantes" (no afectan al objetivo) pero en realidad sí lo hacen.

• Teorema 1 (Cobertura Selectiva Robusta): Se demuestra un límite inferior de cobertura en muestras finitas que depende explícitamente de $\delta$ y del tamaño del conjunto de calibración $n$.
  $$P(\text{Cobertura}) \geq 1 - \alpha - g(\delta, n)$$
  Donde $g(\delta, n) = \frac{\delta n}{(1-\delta)n + 1}$.
  Este teorema cuantifica el costo estadístico de los errores de clasificación causal. Si $\delta$ es pequeño, la cobertura se mantiene cerca del nivel nominal.

B. Formulación de Aprendizaje Causal Parcial

En lugar de estimar todo el grafo causal $G$, el problema se reformula como una tarea de clasificación binaria:

• Objetivo: Estimar indicadores binarios $Z_{a,i} = \mathbb{1}\{i \in \text{desc}(a)\}$ (¿Es $i$ descendiente de la intervención $a$?).
• Enfoque Conservador: Dado que el Falso Positivo (clasificar un no-descendiente como descendiente) reduce el conjunto de calibración (perdiendo datos pero manteniendo la cobertura), mientras que el Falso Negativo (clasificar un descendiente como no-descendiente) introduce contaminación y rompe la cobertura, el algoritmo prioriza minimizar la Tasa de Falsos Positivos (FPR).

C. Algoritmos Propuestos

1. Descubrimiento de Descendientes por Intersección de Patrones de Perturbación (Algoritmo 1):

   • Utiliza conjuntos de variables afectadas diferencialmente ($S_a$) para cada intervención.
   • Identifica intervenciones "aguas arriba" ($U(a)$) que afectan a $a$.
   • Estima el conjunto de descendientes de $a$ mediante la intersección de $S_a$ con los conjuntos de descendientes de sus intervenciones aguas arriba: $\hat{\text{desc}}(a) = S_a \cap \bigcap_{b \in U(a)} S_b$.
   • Lógica: Si $b$ es ancestro de $a$, entonces cualquier descendiente de $a$ también debe ser descendiente de $b$. La intersección elimina falsos positivos espurios.

2. Predicción Causal Invariante Local (Local ICP):

   • Adapta la Predicción Causal Invariante (ICP) para estimar una distancia aproximada a la intervención sin reconstruir el grafo completo, permitiendo calibración ponderada.

D. Corrección de Cobertura

Basado en el Teorema 1, se propone un procedimiento corregido: si se tiene una cota superior $\hat{\delta}$ para la contaminación, se ejecuta el CP con un nivel de significancia ajustado $\alpha' = \alpha - g(\hat{\delta}, n)$. Esto garantiza que la cobertura real sea al menos $1-\alpha$, aunque a costa de intervalos más amplios.

3. Contribuciones Clave

1. Teorema de Cobertura Robusta ($\delta$-robustness): Proporciona un límite finito y explícito que vincula el error de aprendizaje causal con la validez inferencial, sin asumir distribuciones específicas para los datos contaminados.
2. Formulación Orientada a la Tarea: Cambia el paradigma de "aprender el grafo completo" a "aprender solo los indicadores de descendencia necesarios", reduciendo la complejidad y enfocándose en controlar la tasa de falsos positivos.
3. Algoritmos de Recuperación: Propone métodos prácticos (intersección de conjuntos y búsqueda local ICP) con condiciones teóricas bajo las cuales se controla la contaminación.
4. Validación Empírica: Demuestra que el método corregido mantiene la cobertura nominal incluso con contaminación significativa, mientras que los métodos no corregidos fallan.

4. Resultados Experimentales

Los experimentos se realizaron en modelos de ecuaciones estructurales lineales (SEM) sintéticos y datos reales de CRISPRi (Replogle K562).

• Validación del Teorema (Datos Sintéticos):

  • Se inyectó contaminación controlada ($\delta$) en el conjunto de calibración.
  • Resultado: La cobertura del CP selectivo no corregido degradó monótonamente de 0.905 a 0.867 al aumentar $\delta$ de 0 a 0.30.
  • Corrección: El procedimiento corregido mantuvo una cobertura $\geq 0.95$ en todos los niveles de contaminación, cumpliendo el límite teórico, aunque con intervalos un 1.2–1.8 veces más anchos.

• Datos Reales (CRISPRi):

  • En un cribado genómico real, el método corregido fue el único que superó la cobertura nominal (0.906 vs 0.9), mientras que el "oráculo" proxy (basado en LFC) solo alcanzó 0.864 debido a violaciones reales de intercambiabilidad (efectos fuera de objetivo, ruido de lote).
  • Limitación: La corrección conservadora hizo que el método fuera factible (intervalos finitos) solo en el 60% de las evaluaciones debido al tamaño limitado del conjunto de calibración en datos reales.

5. Significado e Impacto

Este trabajo es fundamental para la aplicación de la inferencia causal en biología de sistemas y diseño experimental:

• Viabilidad Práctica: Permite utilizar la calibración selectiva para obtener intervalos de predicción más informativos en experimentos de perturbación, incluso cuando la red causal subyacente es desconocida.
• Gestión de Riesgos: Transforma el error de aprendizaje causal en un parámetro cuantificable ($\delta$) que puede ser controlado y compensado estadísticamente.
• Robustez: Ofrece garantías de validez en escenarios donde la contaminación de los datos de calibración es inevitable debido a la incertidumbre causal, evitando conclusiones científicas falsas derivadas de intervalos de confianza demasiado optimistas.
• Eficiencia: Al evitar la necesidad de aprender el grafo completo, el enfoque es escalable a redes génicas de alta dimensión, centrándose únicamente en las relaciones relevantes para la predicción específica.

En resumen, el paper establece un puente riguroso entre el aprendizaje causal parcial y la inferencia conformal, proporcionando herramientas teóricas y algoritmos para realizar predicciones confiables en entornos de intervención complejos y ruidosos.