Resumen Técnico: Descubrimiento Causal Bayesiano Amortizado de Grafos de Factores Extendidos (ABCDEFG)

Planteamiento del Problema

El aprendizaje de grafos causales a partir de datos intervencionistas es un desafío crítico en dominios como la biología molecular, particularmente para descubrir redes de regulación génica a partir de datos de perturbación a gran escala. Los métodos existentes enfrentan un "trilema" donde típicamente fallan en satisfacer tres requisitos simultáneos:

1. Escalabilidad: Manejar miles de nodos (por ejemplo, >20,000 genes) y millones de muestras.
2. Manejo de Intervenciones: Incorporar intervenciones incluso cuando sus objetivos específicos son desconocidos (por ejemplo, tratamientos farmacológicos).
3. Cuantificación de la Incertidumbre: Proporcionar una distribución posterior para cuantificar la incertidumbre, lo cual es vital para los datos biológicos ruidosos.

Los métodos actuales basados en puntuación (score-based) a menudo carecen de cuantificación de la incertidumbre y tienen dificultades con los objetivos de intervención desconocidos, mientras que los métodos Bayesianos aproximados generalmente no logran escalar al tamaño de los conjuntos de datos modernos de célula única (single-cell). Además, muchos enfoques existentes no garantizan la aciclicidad ni proporcionan garantías sólidas de identificabilidad para el grafo recuperado.

Metodología: ABCDEFG

Los autores proponen el Descubrimiento Causal Bayesiano Amortizado de Grafos de Factores Extendidos (ABCDEFG), un marco que integra la inferencia variacional con una novedosa representación de grafos para abordar las limitaciones mencionadas.

1. Grafos de Factores Extendidos (f-DAGs)

La innovación central es la representación de estructuras causales utilizando Grafos Acíclicos Dirigidos de Factores Extendidos (f-DAGs).

• Estructura: Un f-DAG consiste en nodos de variables ($V$), nodos de factores ($F$) y aristas únicamente entre variables y factores. Esta estructura permite que la matriz de adyacencia del grafo causal pueda verse como una factorización booleana ($A = UV$), actuando efectivamente como una aproximación de bajo rango del DAG causal completo.
• Extensiones para Objetivos Desconocidos: Para manejar objetivos de intervención desconocidos, los autores introducen f-DAGs Extendidos, que incluyen nodos de intervención ($\Xi$) conectados a nodos de factores. Esto permite al modelo aprender qué factores se ven afectados por una intervención sin conocer a priori los objetivos génicos descendentes específicos.
• Garantía de Aciclicidad: A diferencia de los métodos de descubrimiento causal diferenciables (por ejemplo, NOTEARS) que utilizan términos de penalización para imponer la aciclicidad, ABCDEFG construye grafos que son acíclicos por construcción. Esto se logra estableciendo un orden total de los factores e insertando nodos e intervenciones en particiones definidas por este orden.

2. Modelo Generativo e Inferencia Variacional

El método emplea un marco Bayesiano para estimar la distribución posterior sobre los grafos causales, $q(G; \Lambda)$.

• Modelos Paramétricos: La distribución variacional $q(G; \Lambda)$ se parametriza utilizando variables aleatorias de Bernoulli independientes (vía Gumbel-Softmax) o una Red de Suma-Producto (SPN). La SPN permite modelar distribidades conjuntas complejas y correlacionadas sobre las probabilidades de las aristas, una característica ausente en los métodos que asumen independencia de las aristas.
• Inferencia Amortizada: El marco utiliza una arquitectura de Autoencoder Variacional (VAE). En lugar de aprender codificadores/decodificadores separados para cada variable, utiliza una única red neuronal de alimentación hacia adelante (feed-forward) para amortizar las distribuciones condicionales. Las relaciones causales se inyectan mediante operaciones de enmascaramiento (productos de Hadamard) utilizando las matrices de nodo-a-factor ($U$), factor-a-nodo ($V$) e intervención-a-factor ($W$) muestreadas.
• Objetivo: El método optimiza la Cota Inferior de la Evidencia (ELBO), la cual equilibra la verosimilitud de los datos bajo el modelo intervencionista frente a la divergencia KL de una distribución previa. El objetivo es:
  $$\mathcal{L}(q) = \sum_{k=1}^{n_I} \mathbb{E}_{p^{(k)}(X|G^*)} \left[ \mathbb{E}_{q(G;\Lambda)} [\log p^{(k)}_\Phi(X|G)] \right] - \text{KL}(q(G;\Lambda) || p(G))$$

3. Garantías de Identificabilidad

El artículo proporciona garantías teóricas respecto a la identificabilidad del grafo recuperado:

• Equivalencia I-Markov: Los autores demuestran que la estimación de Máxima Posterior (MAP) del grafo causal es I-equivalente de Markov al DAG causal real. Esto significa que el método recupera el grafo real hasta la clase de equivalencia definida por el conjunto de intervenciones.
• Identificabilidad de f-DAG: Bajo condiciones estructurales específicas (por ejemplo, suficientes v-estructuras y relaciones únicas de padre/hijo para los factores), el método garantiza que el f-DAG subyacente (y, por tanto, la factorización) es identificable hasta una permutación de los factores.

Principales Contribuciones

1. Modelo Paramétrico Novedoso: Introducción de un proceso generativo para el muestreo de grafos de factores extendidos acíclicos que modela explícitamente los nodos de intervención y los objetivos desconocidos.
2. Marco Variacional: Desarrollo de un enfoque Bayesiano variacional para el descubrimiento causal que maneja tanto objetivos de intervención conocidos como desconocidos, manteniendo la escalabilidad hacia grafos grandes.
3. Modelado de Aristas Correlacionadas: Integración de Redes de Suma-Producto (SPNs) para modelar distribuciones conjuntas complejas sobre las aristas causales, yendo más allá de la suposición de aristas independientes.
4. Garantías Teóricas: Demostración de que la estimación MAP recupera el grafo causal real hasta una clase de equivalencia I-Markov, y las condiciones bajo las cuales el f-DAG subyacente es identificable.
5. Validación Empírica: Demostración de un rendimiento de vanguardia en conjuntos de datos simulados y en cribados de perturbación de célula única del mundo real.

Resultados Experimentales

Estudios de Simulación

Los autores evaluaron ABCDEFG en 24 conjuntos de datos simulados que involucran efectos lineales/no lineales, probabilidades de aristas independientes/conjuntas e intervenciones fuertes/suaves.

• Rendimiento: ABCDEFG logró una precisión de vanguardia (medida por la Distancia de Hamming Estructural y la puntuación F1), particularmente en grafos con efectos causales no lineales y probabilidades de aristas distribuidas conjuntamente (modeladas por SPNs).
• Objetivos Desconocidos: En escenarios con objetivos de intervención desconocidos, ABCDEFG infirió con éxito tanto el grafo causal como los objetivos de la intervención, superando a los métodos que no podían incorporar objetivos desconocidos o que fallaban en escalar.
• Comparación Bayesiana: Comparado con otros métodos Bayesianos (BaCaDi, DECI, ProDAG), ABCDEFG demostró puntuaciones F1 superiores y un SHD menor, además de proporcionar distribuciones posteriores mejor calibradas. También fue significativamente más rápido que otros enfoques Bayesianos.

Aplicación en el Mundo Real

El método se aplicó a un cribado de perturbación de célula única a gran escala que involucra 34,469 genes y 31,475 células tratadas con 46 combinaciones de 14 factores de crecimiento.

• Redes de Regulación Génica: ABCDEFG identificó con éxito objetivos génicos conocidos y noveles de los factores de crecimiento.
• Recuperación de Objetivos: El método alcanzó una recuperación (recall) de 0.325 (Básico) y 0.376 (SPN) para las interacciones de factor de crecimiento-a-gen, superando significativamente una línea base aleatoria (0.196).
• Reconstrucción de Datos: En combinaciones de intervención no observadas (held-out), ABCDEFG logró un Error Cuadrático Medio (MSE) menor en la reconstrucción de datos en comparación con DCDFG y SDCD.

Significancia y Reivindicaciones

El artículo afirma que ABCDEFG llena un vacío crítico en el descubrimiento causal al permitir la inferencia Bayesiana escalable y consciente de la incertidumbre a partir de datos intervencionistas con objetivos desconocidos.

• Escalabilidad: El método escala a grafos con miles de nodos (demostrado hasta 1,000 nodos en simulaciones y 1,000 genes altamente variables en datos reales), superando las limitaciones de los enfoques Bayesianos previos.
• Robustez: Al utilizar grafos de factores extendidos, el método ofrece robustez al ruido y proporciona una forma estructurada de modelar dependencias complejas mediante SPNs.
• Utilidad Práctica: La aplicación a datos de célula única demuestra la capacidad del método para recuperar redes de regulación génica y objetivos de perturbación biológicamente significativos, ofreciendo una herramienta para comprender el desarrollo celular y la homeostasis.

Los autores reconocen limitaciones, señalando que la suposición de aciclicidad puede no cumplirse para todos los grafos de regulación génica (que pueden contener ciclos) y que la aproximación de bajo rango del f-DAG puede ser insuficiente para grafos reales de alto rango. Sin embargo, postulan que el marco proporciona una base prometedora para futuras extensiones en regímenes de datos limitados y sistemas biológicos más complejos.