On the Recoverability of Causal Relations from Bulk Gene Expression Data

Resumen Técnico: Sobre la recuperabilidad de las relaciones causales a partir de datos de expresión génica masiva (bulk)

Planteamiento del problema
Si bien los ensayos de célula única (single-cell) son cada vez más disponibles, el perfilado de la expresión génica masiva (bulk) sigue siendo un método prevalente, rentable y menos ruidoso para estudios biológicos a gran escala. Los datos bulk representan una agregación de ARN acumulado a través de muchas células dentro de una muestra. Una gran parte del trabajo computacional intenta inferir redes de regulación génica causal directamente de estas mediciones agregadas, tratando típicamente estas como observaciones directas de un único sistema causal homogéneo. Sin embargo, la agregación es un proceso de reducción de información (coarsening) con pérdida de información y no invertible del sistema causal celular subyacente. Este artículo aborda una pregunta fundamental y poco explorada: ¿Bajo qué condiciones se pueden recuperar de manera fiable las relaciones causales entre genes a partir de datos de expresión bulk agregados, y cuándo el proceso de agregación distorsiona la información identificativa (forma funcional, dependencia estadística y dependencia condicional) necesaria para el descubrimiento causal?

Metodología y marco teórico
Los autores formalizan el problema de la recuperabilidad causal bajo la agregación a través de dos nociones complementarias de consistencia entre el modelo causal latente subyacente y los datos agregados observados:

1. Consistencia de la forma funcional: Examina si las variables agregadas admiten un Modelo Causal Estructural (SCM, por sus siglas en inglés) de la misma familia funcional que el modelo subyacente. Los autores analizan dos familias comunes de modelos causales funcionales: el Modelo de Ruido Aditivo (ANM, $Y = f(X) + \epsilon_Y$) y el Modelo Post-No Lineal (PNL, $Y = f_2(f_1(X) + \epsilon_Y)$).
2. Consistencia de la independencia condicional (CI): Investiga si las relaciones de independencia condicional entre las variables latentes (por ejemplo, $X \perp\!\!\perp Z | Y$) se preservan en las variables agregadas ($\bar{X} \perp\!\!\perp \bar{Z} | \bar{Y}$).

El estudio deriva condiciones necesarias y suficientes para que estas consistencias se cumplan. El análisis distingue entre agregaciones lineales (ej. suma, media) y agregaciones no lineales (ej. mediana, máximo).

Resultados teóricos clave
El artículo establece que las relaciones causales son recuperables de los datos agregados solo bajo condiciones altamente restrictivas:

• Recuperación de la forma funcional: Para que la consistencia de la forma funcional se preserve bajo la agregación lineal (ej. suma/media), las ecuaciones estructurales subyacentes deben ser afines (es decir, $f(X) = \alpha X + \beta$). Específicamente:
  • Para ANM, la función $f$ debe ser afín.
  • Para PNL, tanto $f_1$ como $f_2$ deben ser afines.
  • Si la agregación es no lineal (ej. mediana), la consistencia de la forma funcional generalmente no se preserva incluso para relaciones afines.
• Recuperación de la independencia condicional: Para que la estructura de independencia condicional se preserve (específicamente para estructuras de cadena y de bifurcación donde $X \perp\!\!\perp Z | Y$), las relaciones subyacentes deben ser lineales. En sistemas no lineales, condicionar sobre la variable agregada $\bar{Y}$ no logra bloquear la trayectoria entre $\bar{X}$ y $\bar{Z}$, lo que genera dependencias espurias que violan la verdadera estructura latente.

Evaluación empírica
Los autores validan estos hallazgos teóricos a través de dos fases:

1. Datos sintéticos: Las simulaciones controladas confirman que los métodos de descubrimiento causal (tanto los basados en funciones como los basados en restricciones) mantienen una alta precisión solo cuando la verdad fundamental implica una agregación lineal combinada con ecuaciones estructurales afines. Cuando se introducen funciones no lineales o agregaciones no lineales, la precisión de la recuperación de las direcciones causales y las independencias condicionales disminuye significativamente.
2. Datos del mundo real: Los autores analizan cuatro conjuntos de datos de expresión génica bulk (dos de microarrays, dos de RNA-seq) y cuatro conjuntos de datos de célula única (single-cell). Emplean diagnósticos estadísticos para evaluar la linealidad de las funciones regulatorias pareadas:
   • Inverso de los Grados de Libertad Efectivos (1/edf): Derivado de Modelos Aditivos Generalizados (GAMs) para medir la flexibilidad requerida para ajustar los datos.
   • Puntuación de Linealidad Ponderada por la Señal: Mide la desviación de las funciones pareadas estimadas respecto a sus mejores aproximaciones afines.

Los resultados indican que, tanto en los datos bulk como en los de célula única, las funciones regulatorias pareadas estimadas se desvían significamente de la linealidad. Si bien la agregación bulk induce cierta suavización que aumenta la linealidad aparente en comparación con los datos de célula única, la suposición de relaciones afines requerida para la recuperabilidad teórica no cuenta con el respaldo de la evidencia empírica.

Significación y afirmaciones
El artículo concluye que recuperar relaciones causales de los datos de expresión bulk agregados sin supuestos adicionales fuertes no es generalmente factible. Las condiciones teóricas requeridas para la recuperabilidad (agregación lineal junto con ecuaciones estructurales afines) rara vez se cumplen en los datos transcriptómicos reales, donde las interacciones gen-gen son predominantemente no lineales.

Los autores advierten contra la interpretación de las afirmaciones causales derivadas únicamente de perfiles de expresión bulk como reflejos directos de los mecanismos causales a nivel celular subyacente. Argumentan que el campo debe reconocer los límites fundamentales de los datos bulk para el descubrimiento causal y que una recuperación fiable probablemente requiere información auxiliar, como datos de perturbación, mediciones de series temporales o referencias de célula única, en lugar de depender únicamente de los datos bulk. El trabajo proporciona un límite principista para lo que puede y no puede inferirse de cohortes agregadas de bulk.