Resumen Técnico: SCOUT – Descubrimiento Causal Cíclico bajo Intervenciones Suaves con Objetivos Desconocidos

1. Enunciado del Problema

El descubrimiento causal busca inferir la estructura causal subyacente de un sistema a partir de datos. Sin embargo, los algoritmos existentes enfrentan limitaciones significativas al aplicarse a sistemas complejos del mundo real. La mayoría de los métodos actuales se basan en tres supuestos restrictivos:

1. Aciiclicidad: El grafo causal subyacente es un Grafo Acíclico Dirigido (DAG), ignorando los bucles de retroalimentación comunes en sistemas biológicos y económicos.
2. Gaussianidad: Se asume que las variables de ruido exógeno son gaussianas, lo que a menudo falla al capturar la complejidad de las distribuciones del mundo real.
3. Objetos de Intervención Conocidos: Se asume que las variables específicas objetivo durante los experimentos de intervención son conocidas, mientras que en muchos escenarios prácticos (por ejemplo, cribados biológicos de alto rendimiento), estos objetivos son desconocidos.

Además, los métodos existentes que abordan estos problemas individualmente a menudo fallan al combinarlos. Por ejemplo, los métodos que manejan grafos cíclicos suelen asumir linealidad o intervenciones duras (quirúrgicas), mientras que aquellos que manejan intervenciones suaves suelen asumir aciclicidad o objetivos conocidos. Este artículo aborda el desafío de aprender relaciones causales no lineales y cíclicas a partir de datos de intervención suave donde los objetivos de intervención son desconocidos y el ruido es no gaussiano.

2. Metodología: El Marco SCOUT

Los autores proponen SCOUT, un marco novedoso que formula el descubrimiento causal como un problema de optimización continua que maximiza la verosimilitud logarítmica de los datos. El marco integra varios componentes avanzados para manejar los desafíos específicos de los ciclos, la no linealidad y los objetivos desconocidos.

2.1. Modelado de Ecuaciones Estructurales (SEM) con Ciclos

El sistema se modela utilizando un modelo de ecuaciones estructurales (SEM) que permite ciclos dirigidos:
$$X = f(X) + \epsilon$$
donde $X$ representa las variables aleatorias, $f$ representa los mecanismos causales no lineales y $\epsilon$ representa el ruido exógeno. Para asegurar que el sistema esté bien planteado y admita una solución única bajo condiciones de equilibrio, los autores asumen que el mecanismo causal $f$ es contractivo. Esto permite definir un mapa directo invertible $X \mapsto \epsilon = (id - f)(X)$.

2.2. Modelado de Intervenciones Suaves

El marco maneja intervenciones suaves, donde la conectividad de un nodo con sus padres se preserva, pero cambian el mecanismo causal o las características del ruido. Para $K$ experimentos con objetivos desconocidos, el modelo se expresa como:
$$X = U_k(f(X) + \epsilon) + (I_d - U_k)(\tilde{f}(X) + \tilde{\epsilon})$$
Aquí, $U_k$ es una matriz diagonal que indica qué variables no son intervenidas en el experimento $k$. Crucialmente, $U_k$ (y por tanto los objetivos de intervención) se trata como un parámetro desconocido que se aprende junto con la estructura del grafo.

2.3. Flujos Normalizadores para Ruido No Gaussiano

Para manejar el ruido no gaussiano y aprender los mecanismos causales, SCOUT emplea Flujos Normalizadores en dos etapas:

1. Flujos Residuales Contractivos: El mecanismo causal $f$ se parametriza mediante una red neuronal. Para satisfacer el supuesto de contractividad requerido para la solvabilidad, los pesos de la red se restringen utilizando normalización espectral. La matriz de adyacencia del grafo se aprende mediante una relajación Gumbel-softmax.
2. Flujos de Splines Neuronales (NSF): Dado que el ruido $\epsilon$ puede ser no gaussiano, el marco utiliza una transformación de función de distribución acumulada (CDF) racional por tramos (Flujo de Spline Neural) para mapear el ruido $\epsilon$ a una distribución normal estándar $z$. Esto permite al modelo capturar distribuciones de ruido complejas mientras mantiene un cálculo de verosimilitud tratable.

2.4. Inferencia de Objetivos Desconocidos

Para identificar objetivos de intervención desconocidos, SCOUT introduce una matriz de objetivos de intervención $T^I \in \{0, 1\}^{K \times d}$. Similar a la matriz de adyacencia del grafo, las entradas de $T^I$ se muestrean de una distribución Gumbel-softmax y se optimizan mediante estimación de gradiente directa. Se aplica un regularizador de dispersión para fomentar objetivos de intervención dispersos.

2.5. Optimización y Función de Puntuación

El objetivo es maximizar una función de puntuación de verosimilitud logarítmica regularizada:
$$S(G, I) = \sup_{\theta} \sum_{k=1}^K \mathbb{E}_{X \sim p^{(k)}} [\log p_{I_k, G}(X)] - \lambda_G |G| - \lambda_I |I|$$
Calcular el logaritmo del determinante del jacobiano para sistemas cíclicos es computacionalmente desafiante. SCOUT aborda esto utilizando un estimador no sesgado basado en la expansión en serie de potencias del logaritmo del determinante (serie de Neumann), combinado con el estimador de traza de Hutchinson y una estrategia de truncamiento aleatorio para garantizar la imparcialidad.

3. Contribuciones Clave

El artículo realiza las siguientes contribuciones específicas:

• Marco Novel: SCOUT es el primer marco que acomoda simultáneamente mecanismos no lineales, ciclos dirigidos, ruido aditivo no gaussiano e intervenciones suaves con objetivos desconocidos.
• Garantías Teóricas: Los autores demuestran que la maximización exacta de la función de puntuación propuesta identifica la clase de equivalencia interventional del grafo de la verdad fundamental y la familia de intervenciones de la verdad fundamental, bajo supuestos de contractividad y fidelidad.
• Arquitectura Escalable: Al utilizar optimización continua y flujos normalizadores, el método evita el espacio de búsqueda combinatorio típico del descubrimiento causal discreto.
• Evaluación Exhaustiva: El marco se evalúa frente a métodos de última generación (NODAGS-Flow, LLC, BACKSHIFT) en conjuntos de datos sintéticos y del mundo real.

4. Resultados Experimentales

Los autores evaluaron SCOUT en datos sintéticos y dos conjuntos de datos del mundo real: Perturb-CITE-seq (datos de expresión génica) y SERGIO (expresión génica de células individuales simulada).

4.1. Rendimiento en Datos Sintéticos

• Recuperación del Grafo: SCOUT logró una recuperación de grafos casi perfecta (AUPRC $\approx$ 1.0) en diversos escenarios que involucraban ruido gaussiano, exponencial y Gumbel, e intervenciones de desplazamiento, escala y función ruidosa. Superó significativamente a las líneas base, particularmente en configuraciones no gaussianas y cíclicas donde otros métodos fallaron o se degradaron.
• Recuperación de Objetivos: SCOUT recuperó con éxito objetivos de intervención desconocidos, logrando un AUPRC perfecto para intervenciones de desplazamiento y escala. Aunque el rendimiento disminuyó para las intervenciones de "función ruidosa" (debido a cambios distribucionales limitados), aún superó a la línea base BACKSHIFT.
• Escalabilidad: A medida que el número de nodos aumentó de 10 a 70, SCOUT mantuvo un alto rendimiento, mientras que líneas base como BACKSHIFT y LLC mostraron una degradación significativa.
• Estudios de Ablación: Eliminar la capa de Flujo de Spline Neural (NSF) resultó en una caída significativa del rendimiento para ruido no gaussiano, confirmando la necesidad de NSF para modelar distribuciones de ruido complejas.

4.2. Datos del Mundo Real

• Perturb-CITE-seq: En datos de redes de regulación génica, SCOUT demostró un rendimiento predictivo superior (medido por la Verosimilitud Logarítmica Negativa Intervencional) en comparación con NODAGS-Flow y LLC en diferentes condiciones celulares (Cocultivo, Control, IFN-$\gamma$). Esto sugiere que tener en cuenta el ruido no gaussiano mejora la precisión predictiva en sistemas biológicos.
• SERGIO: En una simulación cercana a la realidad, SCOUT logró una recuperación de objetivos de intervención casi perfecta (AUPRC 0.978) y superó a las líneas base en la identificación de grafos, incluso cuando el mecanismo de la verdad fundamental no era estrictamente contractivo.

5. Significado y Afirmaciones

El artículo afirma que SCOUT amplía sustancialmente el alcance del descubrimiento causal para entornos experimentales realistas. Al relajar los supuestos de aciclicidad, gaussianidad y objetivos conocidos, el marco permite el análisis de sistemas complejos con bucles de retroalimentación y ruido heterogéneo, que son prevalentes en campos como la biología y la ingeniería de sistemas.

Los autores enfatizan que su enfoque proporciona un método consistente para recuperar la clase de equivalencia de Markov del grafo de la verdad fundamental y los objetivos de intervención. Reconocen limitaciones, como la necesidad de mecanismos contractivos para garantizar la solvabilidad y la dificultad de recuperar objetivos cuando las intervenciones inducen cambios distribucionales mínimos (por ejemplo, intervenciones de función ruidosa). Se sugiere trabajo futuro para incluir el manejo de confusores, modelos de ruido de medición más realistas y la escalabilidad a modelos de grafos más grandes.

El artículo concluye que SCOUT representa un paso significativo hacia adelante para hacer que el descubrimiento causal sea aplicable a los sistemas complejos, cíclicos y no gaussianos que a menudo se encuentran en datos científicos modernos.