Résumé Technique : SCOUT – Découverte Causale Cyclique sous Interventions Douces avec Cibles Inconnues

1. Énoncé du Problème

La découverte causale vise à inférer la structure causale sous-jacente d'un système à partir de données. Cependant, les algorithmes existants rencontrent des limitations significatives lorsqu'ils sont appliqués à des systèmes complexes du monde réel. La plupart des méthodes actuelles reposent sur trois hypothèses restrictives :

1. Acyclicité : Le graphe causal sous-jacent est un graphe orienté acyclique (DAG), ignorant les boucles de rétroaction courantes dans les systèmes biologiques et économiques.
2. Gaussianité : Les variables de bruit exogène sont supposées être gaussiennes, ce qui échoue souvent à capturer la complexité des distributions du monde réel.
3. Cibles d'intervention connues : Les variables spécifiques visées lors d'expériences interventionnelles sont supposées être connues, alors que dans de nombreux scénarios pratiques (par exemple, criblages biologiques à haut débit), ces cibles sont inconnues.

De plus, les méthodes existantes traitant ces problèmes individuellement échouent souvent à les combiner. Par exemple, les méthodes gérant les graphes cycliques supposent souvent la linéarité ou des interventions dures (chirurgicales), tandis que celles gérant les interventions douces supposent souvent l'acyclicité ou des cibles connues. Cet article aborde le défi d'apprendre des relations causales non linéaires et cycliques à partir de données d'intervention douce où les cibles d'intervention sont inconnues et le bruit est non gaussien.

2. Méthodologie : Le Cadre SCOUT

Les auteurs proposent SCOUT, un cadre novateur qui formule la découverte causale comme un problème d'optimisation continue maximisant le logarithme de la vraisemblance des données. Le cadre intègre plusieurs composants avancés pour gérer les défis spécifiques des cycles, de la non-linéarité et des cibles inconnues.

2.1. Modélisation par Équations Structurelles (SEM) avec Cycles

Le système est modélisé à l'aide d'un modèle d'équations structurelles (SEM) permettant des cycles orientés :
$$X = f(X) + \epsilon$$
où $X$ représente les variables aléatoires, $f$ représente les mécanismes causaux non linéaires, et $\epsilon$ représente le bruit exogène. Pour garantir que le système est bien posé et admet une solution unique dans des conditions d'équilibre, les auteurs supposent que le mécanisme causal $f$ est contractif. Cela permet de définir une application directe inversible $X \mapsto \epsilon = (id - f)(X)$.

2.2. Modélisation des Interventions Douces

Le cadre gère les interventions douces, où la connectivité d'un nœud avec ses parents est préservée, mais le mécanisme causal ou les caractéristiques du bruit changent. Pour $K$ expériences avec des cibles inconnues, le modèle s'exprime comme suit :
$$X = U_k(f(X) + \epsilon) + (I_d - U_k)(\tilde{f}(X) + \tilde{\epsilon})$$
Ici, $U_k$ est une matrice diagonale indiquant quelles variables ne sont pas intervenues dans l'expérience $k$. Crucialement, $U_k$ (et donc les cibles d'intervention) est traitée comme un paramètre inconnu à apprendre conjointement avec la structure du graphe.

2.3. Flots de Normalisation pour un Bruit Non Gaussien

Pour gérer un bruit non gaussien et apprendre les mécanismes causaux, SCOUT utilise des Flots de Normalisation en deux étapes :

1. Flots Résiduels Contractifs : Le mécanisme causal $f$ est paramétré par un réseau de neurones. Pour satisfaire l'hypothèse de contractivité requise pour la résolubilité, les poids du réseau sont contraints par une normalisation spectrale. La matrice d'adjacence du graphe est apprise via une relaxation Gumbel-softmax.
2. Flots de Splines Neuronales (NSF) : Puisque le bruit $\epsilon$ peut être non gaussien, le cadre utilise une transformation de fonction de répartition (CDF) rationnelle quadratique par morceaux (Flot de Spline Neuronale) pour mapper le bruit $\epsilon$ vers une distribution normale standard $z$. Cela permet au modèle de capturer des distributions de bruit complexes tout en maintenant un calcul de vraisemblance traitable.

2.4. Inférence des Cibles Inconnues

Pour identifier les cibles d'intervention inconnues, SCOUT introduit une matrice de cible d'intervention $T^I \in \{0, 1\}^{K \times d}$. De manière similaire à la matrice d'adjacence du graphe, les entrées de $T^I$ sont échantillonnées à partir d'une distribution Gumbel-softmax et optimisées via une estimation de gradient directe (straight-through). Un régularisateur de parcimonie est appliqué pour encourager des cibles d'intervention parcimonieuses.

2.5. Optimisation et Fonction de Score

L'objectif est de maximiser une fonction de score de vraisemblance logarithmique régularisée :
$$S(G, I) = \sup_{\theta} \sum_{k=1}^K \mathbb{E}_{X \sim p^{(k)}} [\log p_{I_k, G}(X)] - \lambda_G |G| - \lambda_I |I|$$
Le calcul du déterminant du jacobien pour les systèmes cycliques est computationnellement difficile. SCOUT aborde cela en utilisant un estimateur sans biais basé sur le développement en série de puissances du déterminant logarithmique (série de Neumann), combiné à l'estimateur de trace de Hutchinson et une stratégie d'arrêt aléatoire pour garantir l'absence de biais.

3. Contributions Clés

L'article apporte les contributions spécifiques suivantes :

• Cadre Novateur : SCOUT est le premier cadre à accommoder simultanément des mécanismes non linéaires, des cycles orientés, un bruit additif non gaussien et des interventions douces avec des cibles inconnues.
• Garanties Théoriques : Les auteurs prouvent que la maximisation exacte de la fonction de score proposée identifie la classe d'équivalence interventionnelle du graphe de vérité terrain et la famille d'interventions de vérité terrain, sous les hypothèses de contractivité et de fidélité.
• Architecture Évolutible : En utilisant l'optimisation continue et les flots de normalisation, la méthode évite l'espace de recherche combinatoire typique de la découverte causale discrète.
• Évaluation Complète : Le cadre est mis en concurrence avec des méthodes de l'état de l'art (NODAGS-Flow, LLC, BACKSHIFT) sur des ensembles de données synthétiques et réels.

4. Résultats Expérimentaux

Les auteurs ont évalué SCOUT sur des données synthétiques et deux ensembles de données réels : Perturb-CITE-seq (données d'expression génique) et SERGIO (expression génique simulée de cellules uniques).

4.1. Performance sur Données Synthétiques

• Récupération du Graphe : SCOUT a atteint une récupération de graphe quasi parfaite (AUPRC $\approx$ 1,0) dans divers scénarios impliquant des bruits gaussiens, exponentiels et Gumbel, ainsi que des interventions de décalage, d'échelle et de fonction bruyante. Il a nettement surpassé les références, en particulier dans les scénarios non gaussiens et cycliques où d'autres méthodes échouaient ou se dégradaient.
• Récupération des Cibles : SCOUT a récupéré avec succès les cibles d'intervention inconnues, atteignant un AUPRC parfait pour les interventions de décalage et d'échelle. Bien que les performances aient diminué pour les interventions de « fonction bruyante » (en raison de décalages de distribution limités), elles ont tout de même surpassé la référence BACKSHIFT.
• Évolutivité : Alors que le nombre de nœuds augmentait de 10 à 70, SCOUT a maintenu de hautes performances, tandis que des références comme BACKSHIFT et LLC ont montré une dégradation significative.
• Études d'Ablation : Le retrait de la couche Flot de Spline Neuronale (NSF) a entraîné une baisse significative des performances pour le bruit non gaussien, confirmant la nécessité des NSF pour modéliser des distributions de bruit complexes.

4.2. Données Réelles

• Perturb-CITE-seq : Sur des données de réseaux de régulation génique, SCOUT a démontré une performance prédictive supérieure (mesurée par le Logarithme de la Vraisemblance Négative Interventionnelle) par rapport à NODAGS-Flow et LLC dans différentes conditions cellulaires (Co-culture, Contrôle, IFN-$\gamma$). Cela suggère que la prise en compte du bruit non gaussien améliore la précision prédictive dans les systèmes biologiques.
• SERGIO : Dans une simulation proche du monde réel, SCOUT a atteint une récupération de cible d'intervention quasi parfaite (AUPRC 0,978) et a surpassé les références en matière d'identification de graphe, même si le mécanisme de vérité terrain n'était pas strictement contractif.

5. Signification et Revendications

L'article revendique que SCOUT élargit considérablement la portée de la découverte causale pour des scénarios expérimentaux réalistes. En assouplissant les hypothèses d'acyclicité, de gaussianité et de cibles connues, le cadre permet l'analyse de systèmes complexes avec des boucles de rétroaction et un bruit hétérogène, prévalents dans des domaines tels que la biologie et l'ingénierie des systèmes.

Les auteurs soulignent que leur approche fournit une méthode cohérente pour récupérer la classe d'équivalence de Markov du graphe de vérité terrain et des cibles d'intervention. Ils reconnaissent des limitations, telles que l'exigence de mécanismes contractifs pour assurer la résolubilité et la difficulté de récupérer des cibles lorsque les interventions induisent des changements de distribution minimaux (par exemple, les interventions de fonction bruyante). Des travaux futurs sont suggérés pour inclure la gestion de facteurs de confusion, des modèles de bruit de mesure plus réalistes et la mise à l'échelle vers des modèles de graphes plus grands.

L'article conclut que SCOUT représente une avancée significative pour rendre la découverte causale applicable aux systèmes complexes, cycliques et non gaussiens souvent rencontrés dans les données scientifiques modernes.