Résumé technique : PACER – Découverte causale acyclique à partir de données interventionnelles à grande échelle

Énoncé du problème

L'inférence de la structure de graphes acycliques dirigés (DAG) à partir de données constitue un défi fondamental en découverte causale. Si les seules données observationnelles ne permettent d'identifier les graphes causaux qu'à équivalence de Markov, l'intégration de données interventionnelles améliore considérablement l'identifiabilité en résolvant les ambiguïtés causales. Cependant, à mesure que la dimensionalité des systèmes augmente (par exemple, en génomique avec des milliers de variables), les méthodes existantes font face à des goulots d'étranglement sévères en matière d'évolutivité.

Les approches modernes de découverte causale différentiable, telles que NOTEARS et ses variantes (DCDI, DCDFG), reformulent l'apprentissage de structure comme un problème d'optimisation continue. Ces méthodes imposent généralement l'acyclicité via des pénalités douces (par exemple, des pénalités de Lagrange augmentées basées sur les exponentielles de matrices ou les rayons spectraux). Cette approche souffre de trois limitations principales :

1. Espace de recherche invalide : L'optimisation s'effectue sur des graphes cycliques qui ne possèdent pas de vraisemblance conjointe bien définie, nécessitant un élagage coûteux a posteriori.
2. Instabilité numérique : À mesure que le nombre de nœuds augmente, la complexité computationnelle des contraintes d'acyclicité entraîne une instabilité numérique et des temps d'exécution prohibitifs.
3. Évolutivité : La dépendance aux pénalités de substitution et la complexité $O(n^3)$ ou $O(n^4)$ des gradients de contrainte limitent ces méthodes à des tailles de graphes petites à moyennes, échouant à s'adapter aux milliers de variables présents dans les criblages de perturbation à haut débit modernes.

Méthodologie : PACER

Les auteurs présentent PACER (Récupération de bords causaux acycliques pilotée par perturbation), un cadre conçu pour garantir l'acyclicité par construction plutôt que par des termes de pénalité. PACER fonctionne en définissant une distribution de probabilité directement sur l'espace des DAG, permettant une optimisation au sein de l'espace de recherche valide.

1. Distribution Bernoulli-Plackett-Luce

PACER modélise l'espace des DAG à l'aide de deux composantes :

• Ordonnancements topologiques : Il utilise la distribution de Plackett-Luce pour modéliser une distribution sur les permutations de variables. Une permutation $\pi$ définit un ordonnancement topologique valide, garantissant que toute arête $i \to j$ implique $\pi^{-1}_i < \pi^{-1}_j$.
• Probabilités d'arêtes : Il utilise des distributions de Bernoulli indépendantes pour définir un masque binaire $B$ qui élague les arêtes.
• Modèle conjoint : La combinaison donne la distribution Bernoulli-Plackett-Luce, $p(\pi, B | \theta, P)$. Une arête $a_{ij}$ existe si et seulement si le masque d'arête indique $b_{ij}=1$ et que la permutation place $i$ avant $j$. Cette formulation garantit que chaque graphe échantillonné est strictement acyclique par conception.

2. Fonction objectif

PACER maximise la vraisemblance logarithmique attendue des variables non intervenues à travers tous les régimes d'intervention. La fonction objectif $S(\Theta, \Omega)$ est définie comme :
$$S(\Theta, \Omega) = \mathbb{E}_{M' \sim M(\Theta)} [f(M', \Omega)] - \lambda \| \mathbb{E}[M(\Theta)] \|_1$$
où $f(M', \Omega)$ est la vraisemblance logarithmique interventionnelle, et le second terme est une pénalité $\ell_1$ pour encourager la parcimonie. Crucialement, aucune contrainte d'acyclicité n'est requise car la distribution d'échantillonnage $M(\Theta)$ ne génère que des DAG.

3. Stratégies d'optimisation

PACER offre deux voies distinctes pour l'optimisation, selon le mécanisme causal supposé :

• Cas général (REINFORCE) : Pour des densités conditionnelles arbitraires (par exemple, des paramétrisations neuronales), PACER utilise l'algorithme REINFORCE (Williams, 1992) avec une ligne de base moyenne pour estimer les gradients. Cela permet une modélisation flexible de mécanismes non linéaires et non gaussiens.
• Cas linéaire-gaussien (Solution analytique) : Pour des mécanismes linéaires-gaussiens, les auteurs dérivent une expression sous forme fermée de la vraisemblance logarithmique interventionnelle attendue. Cela élimine entièrement le besoin d'échantillonnage de Monte Carlo. Le calcul analytique des gradients réduit la complexité par étape de $O(n^3)$ (typique des méthodes basées sur des pénalités) à $O(n^2)$, permettant une mise à l'échelle vers des milliers de variables.

4. Intégration de priors

Le cadre prend en charge l'intégration directe de connaissances a priori structurelles. Les paramètres de Plackett-Luce ($\theta$) peuvent être initialisés en fonction des centralités de nœuds attendues, et les probabilités de Bernoulli ($P$) peuvent être définies pour imposer ou interdire des arêtes spécifiques (par exemple, restreignant la régulation aux seuls facteurs de transcription).

Contributions clés

1. Acyclicité par conception : PACER est le premier cadre évolutif garantissant l'acyclicité en restreignant l'espace de recherche aux DAG via un modèle probabiliste de permutations et de masques d'arêtes, éliminant le besoin de pénalités de substitution pour l'acyclicité.
2. Évolutivité : En dérivant une expression analytique de la vraisemblance logarithmique attendue sous des hypothèses linéaires-gaussiennes, PACER atteint une complexité computationnelle de $O(n^2)$, lui permettant de s'adapter à des réseaux comportant des milliers de variables là où les méthodes basées sur des pénalités échouent.
3. Cadre unifié : Il fournit un traitement unifié basé sur la vraisemblance pour les données observationnelles et interventionnelles, prenant en charge des densités conditionnelles flexibles et des priors structurels.
4. Calcul exact des gradients : La dérivation de gradients sous forme fermée pour les mécanismes linéaires-gaussiens évite la variance et l'instabilité associées aux estimateurs basés sur l'échantillonnage dans les hautes dimensions.

Résultats expérimentaux

Les auteurs ont évalué PACER sur des benchmarks synthétiques et des ensembles de données réels, notamment des réseaux de signalisation protéique et des données de perturbation génétique à grande échelle.

• Évolutivité synthétique : Sur des ensembles de données synthétiques allant jusqu'à 50 variables, PACER a maintenu une précision structurelle tandis que d'autres bases différentiables (par exemple, DCDI) devenaient numériquement instables ou dépassaient les limites de temps. PACER s'est mis à l'échelle jusqu'à 1 000 variables avec des mécanismes linéaires-gaussiens, réalisant des temps d'exécution deux ordres de grandeur plus rapides que les approches basées sur des pénalités.
• Signalisation protéique (Sachs et al., 2005) : Dans des contextes observationnels et interventionnels, PACER a égalé ou dépassé les méthodes de l'état de l'art (par exemple, GIES, CAM, NOTEARS) en termes de distance de Hamming structurelle (SHD), de distance d'intervention structurelle (SID) et de scores F1. Il a récupéré avec succès des voies de signalisation canoniques (par exemple, PKC→RAF→MEK→ERK).
• Perturbation génétique à grande échelle (CausalBench et Perturb-CITE-seq) :
  • Sur le benchmark CausalBench (lignées cellulaires RPE1 et K562), PACER a obtenu des scores de distance de Wasserstein de premier ordre tout en étant plus de 300 fois plus rapide que les méthodes différentiables concurrentes (DCDFG, NOTEARS).
  • Sur l'ensemble de données Perturb-CITE-seq (~1 000 gènes, 248 perturbations), PACER a obtenu la meilleure vraisemblance logarithmique négative interventionnelle et la meilleure erreur absolue moyenne, surpassant DCDFG par un facteur de 300 en temps d'exécution.
• Robustesse : PACER a démontré une robustesse face aux variations des hyperparamètres (coefficient de parcimonie $\lambda$) et a maintenu ses performances dans des scénarios d'intervention imparfaits (effets hors cible et interventions douces).

Importance et revendications

L'article revendique que PACER démontre que la découverte causale exacte et évolutive à partir de données de perturbation de haute dimension est réalisable grâce à une conception raisonnée de l'espace de recherche.

En s'éloignant des contraintes d'acyclicité douces et en modélisant directement la distribution sur les DAG, PACER surmonte les barrières computationnelles et numériques qui ont limité la découverte causale différentiable à de petits graphes. Les auteurs positionnent PACER comme une solution pratique pour les contextes modernes de haute dimension en biologie des systèmes et en génomique, où la compréhension des mécanismes causaux à partir de données interventionnelles à grande échelle est cruciale mais auparavant prohibitive sur le plan computationnel. Le cadre est présenté comme un outil de génération d'hypothèses exploitant les connaissances du domaine et la validation expérimentale, plutôt que comme un système autonome de prise de décision.