Resumen Técnico: PACER – Descubrimiento Causal Acíclico a partir de Datos Intervencionales a Gran Escala

Enunciado del Problema

Inferir la estructura de Grafos Acíclicos Dirigidos (DAG) a partir de datos es un desafío fundamental en el descubrimiento causal. Si bien los datos observacionales por sí solos solo pueden identificar grafos causales hasta la equivalencia de Markov, la integración de datos intervencionales mejora significativamente la identificabilidad al resolver ambigüedades causales. Sin embargo, a medida que aumenta la dimensionalidad de los sistemas (por ejemplo, en genómica con miles de variables), los métodos existentes enfrentan cuellos de botella severos de escalabilidad.

Los enfoques modernos de descubrimiento causal diferenciable, como NOTEARS y sus variantes (DCDI, DCDFG), reformulan el aprendizaje de la estructura como un problema de optimización continua. Estos métodos suelen imponer la aciclicidad mediante penalizaciones suaves (por ejemplo, penalizaciones de Lagrangiano aumentado basadas en exponenciales de matrices o radios espectrales). Este enfoque adolece de tres limitaciones principales:

1. Espacio de Búsqueda Inválido: La optimización ocurre sobre grafos cíclicos que carecen de una verosimilitud conjunta bien definida, lo que requiere un podado costoso a posteriori.
2. Inestabilidad Numérica: A medida que aumenta el número de nodos, la complejidad computacional de las restricciones de aciclicidad conduce a inestabilidad numérica y tiempos de ejecución prohibitivos.
3. Escalabilidad: La dependencia de penalizaciones sustitutas y la complejidad $O(n^3)$ u $O(n^4)$ de los gradientes de las restricciones limita estos métodos a tamaños de grafos pequeños a moderados, fallando al escalar a las miles de variables encontradas en las pantallas de perturbación de alto rendimiento modernas.

Metodología: PACER

Los autores introducen PACER (Recuperación de Bordes Causales Acíclicos Impulsada por Perturbación), un marco diseñado para garantizar la aciclicidad por construcción en lugar de mediante términos de penalización. PACER opera definiendo una distribución de probabilidad directamente sobre el espacio de DAG, permitiendo la optimización dentro del espacio de búsqueda válido.

1. Distribución Bernoulli-Plackett-Luce

PACER modela el espacio de DAG utilizando dos componentes:

• Ordenaciones Topológicas: Emplea la distribución Plackett-Luce para modelar una distribución sobre permutaciones de variables. Una permutación $\pi$ define una ordenación topológica válida, asegurando que cualquier borde $i \to j$ implique $\pi^{-1}_i < \pi^{-1}_j$.
• Probabilidades de Bordes: Utiliza distribuciones Bernoulli independientes para definir una máscara binaria $B$ que poda los bordes.
• Modelo Conjunto: La combinación produce la distribución Bernoulli-Plackett-Luce, $p(\pi, B | \theta, P)$. Un borde $a_{ij}$ existe si y solo si la máscara de bordes indica $b_{ij}=1$ y la permutación coloca a $i$ antes que a $j$. Esta formulación asegura que cada grafo muestreado sea estrictamente acíclico por diseño.

2. Función Objetivo

PACER maximiza la verosimilitud logarítmica esperada de las variables no intervenidas a través de todos los regímenes de intervención. La función objetivo $S(\Theta, \Omega)$ se define como:
$$S(\Theta, \Omega) = \mathbb{E}_{M' \sim M(\Theta)} [f(M', \Omega)] - \lambda \| \mathbb{E}[M(\Theta)] \|_1$$
donde $f(M', \Omega)$ es la verosimilitud logarítmica intervencional, y el segundo término es una penalización $\ell_1$ para fomentar la dispersión. Crucialmente, no se requiere ninguna restricción de aciclicidad porque la distribución de muestreo $M(\Theta)$ solo genera DAG.

3. Estrategias de Optimización

PACER ofrece dos vías distintas para la optimización, dependiendo del mecanismo causal asumido:

• Caso General (REINFORCE): Para densidades condicionales arbitrarias (por ejemplo, parametrizaciones neuronales), PACER utiliza el algoritmo REINFORCE (Williams, 1992) con una línea base promedio para estimar gradientes. Esto permite un modelado flexible de mecanismos no lineales y no gaussianos.
• Caso Lineal-Gaussiano (Solución Analítica): Para mecanismos lineales-gaussianos, los autores derivan una expresión de forma cerrada para la verosimilitud logarítmica intervencional esperada. Esto elimina la necesidad de muestreo Monte Carlo por completo. El cálculo analítico del gradiente reduce la complejidad por paso de $O(n^3)$ (típica de los métodos basados en penalizaciones) a $O(n^2)$, permitiendo escalar a miles de variables.

4. Integración de Priors

El marco soporta la integración directa de conocimiento previo estructural. Los parámetros de Plackett-Luce ($\theta$) pueden inicializarse basándose en centralidades de nodos esperadas, y las probabilidades Bernoulli ($P$) pueden establecerse para imponer o prohibir bordes específicos (por ejemplo, restringiendo la regulación solo a factores de transcripción).

Contribuciones Clave

1. Aciclicidad por Diseño: PACER es el primer marco escalable que garantiza la aciclicidad al restringir el espacio de búsqueda a DAG mediante un modelo probabilístico de permutaciones y máscaras de bordes, eliminando la necesidad de penalizaciones de aciclicidad sustitutas.
2. Escalabilidad: Al derivar una expresión analítica para la verosimilitud logarítmica esperada bajo suposiciones lineales-gaussianas, PACER logra una complejidad computacional de $O(n^2)$, permitiéndole escalar a redes con miles de variables donde los métodos basados en penalizaciones fallan.
3. Marco Unificado: Proporciona un tratamiento unificado basado en verosimilitud tanto para datos observacionales como intervencionales, soportando densidades condicionales flexibles y priores estructurales.
4. Cálculo Exacto de Gradientes: La derivación de gradientes de forma cerrada para mecanismos lineales-gaussianos evita la varianza y la inestabilidad asociadas con estimadores basados en muestreo en dimensiones altas.

Resultados Experimentales

Los autores evaluaron PACER en benchmarks sintéticos y conjuntos de datos del mundo real, incluidas redes de señalización de proteínas y datos de perturbación genética a gran escala.

• Escalabilidad Sintética: En conjuntos de datos sintéticos con hasta 50 variables, PACER mantuvo la precisión estructural mientras que otras bases de referencia diferenciables (por ejemplo, DCDI) se volvieron numéricamente inestables o excedieron los límites de tiempo. PACER escaló a 1.000 variables con mecanismos lineales-gaussianos, logrando tiempos de ejecución dos órdenes de magnitud más rápidos que los enfoques basados en penalizaciones.
• Señalización de Proteínas (Sachs et al., 2005): Tanto en configuraciones observacionales como intervencionales, PACER igualó o superó a los métodos más avanzados (por ejemplo, GIES, CAM, NOTEARS) en Distancia Hamming Estructural (SHD), Distancia de Intervención Estructural (SID) y puntuaciones F1. Recuperó con éxito vías de señalización canónicas (por ejemplo, PKC→RAF→MEK→ERK).
• Perturbación Genética a Gran Escala (CausalBench y Perturb-CITE-seq):
  • En el benchmark CausalBench (líneas celulares RPE1 y K562), PACER obtuvo puntuaciones de distancia de Wasserstein de primer nivel mientras era más de 300 veces más rápido que los métodos diferenciables competidores (DCDFG, NOTEARS).
  • En el conjunto de datos Perturb-CITE-seq (~1.000 genes, 248 perturbaciones), PACER logró la mejor verosimilitud logarítmica negativa intervencional y el error absoluto medio, superando a DCDFG por un factor de 300 en tiempo de ejecución.
• Robustez: PACER demostró robustez ante variaciones de hiperparámetros (coeficiente de dispersión $\lambda$) y mantuvo el rendimiento bajo escenarios de intervención imperfecta (efectos fuera de objetivo e intervenciones suaves).

Significado y Afirmaciones

El artículo afirma que PACER demuestra que el descubrimiento causal exacto y escalable a partir de datos de perturbación de alta dimensión es alcanzable mediante un diseño principista del espacio de búsqueda.

Al alejarse de las restricciones de aciclicidad suaves y modelar directamente la distribución sobre DAG, PACER supera las barreras computacionales y numéricas que han limitado el descubrimiento causal diferenciable a grafos pequeños. Los autores posicionan a PACER como una solución práctica para entornos modernos de alta dimensión en biología de sistemas y genómica, donde comprender los mecanismos causales a partir de datos intervencionales a gran escala es crítico pero previamente prohibitivo computacionalmente. El marco se presenta como una herramienta para la generación de hipótesis que aprovecha el conocimiento del dominio y la validación experimental, en lugar de un sistema de toma de decisiones autónomo.