On the Recoverability of Causal Relations from Bulk Gene Expression Data

Sintesi Tecnica: Sulla recuperabilità delle relazioni causali da dati di espressione genica bulk

Definizione del problema
Sebbene i saggi a singola cellula siano sempre più disponibili, il profilo dell'espressione genica bulk rimane un metodo prevalente, efficiente in termini di costi e meno rumoroso per studi biologici su larga scala. I dati bulk rappresentano un'aggregazione di RNA raggruppato da molte cellule all'interno di un campione. Una vasta gamma di lavori computazionali tenta di inferire reti di regolazione genica causale direttamente da queste misurazioni bulk aggregate, trattandole tipicamente come osservazioni dirette di un singolo sistema causale omogeneo. Tuttavia, l'aggregazione è un raggruppamento (coarsening) perditivo e non invertibile del sistema cellulare sottostante. Questo articolo affronta una domanda fondamentale, poco esplorata: in quali condizioni le relazioni causali tra geni possono essere recuperate in modo affidabile da dati di espressione bulk aggregati, e quando il processo di aggregazione distorce le informazioni identificative (forma funzionale, dipendenza statistica e indipendenza condizionale) necessarie per la scoperta causale?

Metodologia e quadro teorico
Gli autori formalizzano il problema della recuperabilità causale sotto aggregazione attraverso due nozioni complementari di coerenza tra il modello causale latente sottostante e i dati aggregati osservati:

1. Coerenza della forma funzionale: Esamina se le variabili aggregate ammettono un Modello Causale Strutturale (SCM) della stessa famiglia funzionale del modello sottostante. Gli autori analizzano due comuni famiglie di modelli causali funzionali: il Modello di Rumore Additivo (ANM, $Y = f(X) + \epsilon_Y$) e il modello Post-Nonlineare (PNL) ($Y = f_2(f_1(X) + \epsilon_Y)$).
2. Coerenza dell'indipendenza condizionale (CI): Indaga se le relazioni di indipendenza condizionale tra le variabili latenti (ad esempio, $X \perp\!\!\perp Z | Y$) sono preservate nelle variabili aggregate ($\bar{X} \perp\!\!\perp \bar{Z} | \bar{Y}$).

Lo studio deriva le condizioni necessarie e sufficienti affinché queste coerenze si verifichino. L'analisi distingue tra aggregazioni lineari (ad esempio, somma, media) e aggregazioni non lineari (ad esempio, mediana, massimo).

Risultati teorici chiave
Il documento stabilisce che le relazioni causali sono recuperabili dai dati aggregati solo sotto condizioni altamente restrittive:

• Recupero della forma funzionale: Affinché la coerenza della forma funzionale sia preservata sotto aggregazione lineare (ad esempio, somma/media), le equazioni strutturali sottostanti devono essere affine (ovvero, $f(X) = \alpha X + \beta$). Nello specifico:
  • Per l'ANM, la funzione $f$ deve essere affine.
  • Per il PNL, sia $f_1$ che $f_2$ devono essere affini.
  • Se l'aggregazione è non lineare (ad esempio, la mediana), la coerenza della forma funzionale generalmente non viene preservata nemmeno per relazioni affini.
• Recupero dell'indipendenza condizionale: Affinché la struttura di indipendenza condizionale sia preservata (specificamente per le strutture a catena e a forchetta dove $X \perp\!\!\perp Z | Y$), le relazioni sottostanti devono essere lineari. In sistemi non lineari, il condizionamento sulla variabile aggregata $\bar{Y}$ non riesce a bloccare il percorso tra $\bar{X}$ e $\bar{Z}$, portando a dipendenze spurie che violano la vera struttura latente.

Valutazione empirica
Gli autori validano questi risultati teorici attraverso due fasi:

1. Dati sintetici: Simulazioni controllate confermano che i metodi di scoperta causale (sia basati su funzioni che basati su vincoli) mantengono un'alta precisione solo quando la verità di base implica un'aggregazione lineare combinata con equazioni strutturali affini. Quando vengono introdotte funzioni non lineari o aggregazioni non lineari, la precisione nel recuperare le direzioni causali e le indipendenze condizionali diminuisce significativamente.
2. Dati del mondo reale: Gli autori analizzano quattro dataset di espressione genica bulk (due microarray, due RNA-seq) e quattro dataset a singola cellula. Utilizzano diagnostiche statistiche per valutare la linearità delle funzioni di regolazione a coppie:
   • Inverso dei gradi di libertà effettivi (1/edf): Derivato dai Modelli Additivi Generalizzati (GAM), misura la flessibilità necessaria per adattare i dati.
   • Punteggio di linearità pesato sul segnale: Misura lo scostamento delle funzioni a coppia stimate dalla loro migliore approssimazione affine.

I risultati indicano che sia nei dati bulk che in quelli a singola cellula, le funzioni regolatorie a coppia stimate deviano significativamente dalla linearità. Sebbene l'aggregazione bulk induca un certo livellamento (smoothing) che aumenta la linearità apparente rispetto ai dati a singola cellula, l'assunzione di relazioni affini richiesta per la recuperabilità teorica non è supportata dall'evidenza empirica.

Significatività e affermazioni
Il documento conclude che recuperare le relazioni causali dai dati di espressione genica bulk aggregati senza forti assunzioni aggiuntive è generalmente non fattibile. Le condizioni teoriche richieste per la recuperabilità (aggregazione lineare accoppiata con equazioni strutturali affini) sono raramente soddisfatte nei dati trascrizionali reali, dove le interazioni gene-gene sono predominantemente non lineari.

Gli autori avvertono di non interpretare le rivendicazioni causali derivate esclusivamente da profili di espressione bulk come riflessi diretti dei meccanismi causali a livello cellulare sottostante. Sostengono che il campo debba riconoscere i limiti fondamentali dei dati bulk per la scoperta causale e che il recupero affidabile richieda probabilmente informazioni ausiliarie, come dati di perturbazione, misurazioni in serie temporali o riferimenti a singola cellula, piuttosto che fare affidamento solo sui dati bulk. Il lavoro fornisce un confine principale per ciò che può e non può essere inferito da coorti bulk aggregate.