A Mathematical Framework for Topological Causal Data Analysis

Nel mondo della scienza moderna, i ricercatori si trovano spesso di fronte a un problema peculiare: le cose che vogliono studiare sono troppo complesse per essere ridotte a un singolo numero. Quando un medico cura un tumore, il risultato non è solo una massa più piccola; è un cambiamento nella forma, un riarrangiamento dei tunnel interni o uno spostamento nel modo in cui il tessuto si connette a se stesso. Allo stesso modo, uno scienziato del clima potrebbe guardare una mappa meteorologica non solo per vedere se è diventato più caldo, ma per capire se i modelli temporali siano diventati più frammentati o se si siano formati nuovi cicli di circolazione. La statistica tradizionale fatica in questo ambito perché è costruita per confrontare medie, come la differenza tra due altezze o due pesi. Ma non si può semplicemente sottrarre una forma da un'altra per trovare una risposta significativa, né si può catturare l'essenza di una rete mediando le sue connessioni. Per comprendere questi cambiamenti, gli scienziati hanno bisogno di un modo per misurare la geometria e i "vuoti" all'interno dei dati, un campo noto come analisi topologica dei dati. Questo approccio tratta i dati come un oggetto fisico che può essere stirato ed esaminato a diverse scale per vedere quali caratteristiche persistono e quali scompaiono.

Un nuovo quadro teorico chiamato Analisi Causale Topologica dei Dati, sviluppato da Hugo Gobato Souto e Ioannis Diamantis, porta questa prospettiva geometrica nel rigoroso mondo di causa ed effetto. Per decenni, gli scienziati hanno usato l'inferenza causale per determinare se un trattamento sia effettivamente la causa di un esito, separando l'effetto di un farmaco dalla storia naturale di una malattia. Tuttavia, questi metodi sono stati progettati per numeri semplici. I ricercatori si sono resi conto che, per studiare esiti complessi come le reti cerebrali o le strutture molecolari, avevano bisogno di un'architettura matematica che rispettasse sia la forma dei dati sia la logica della causalità. Il loro lavoro non inventa un nuovo modo per provare che un farmaco funzioni; piuttosto, fornisce un insieme preciso di regole su come misurare la forma del cambiamento una volta che il legame causale è stato stabilito. Essi dimostrano che la topologia, lo studio della forma e della connettività, è uno strumento potente per riassumere dati complessi, ma deve essere applicata con cura affinché non confonda la geometria dei dati con la causa del cambiamento.

Il cuore dell'articolo è una struttura in quattro parti che mantiene separati i diversi livelli di una domanda scientifica. Primo, c'è lo spazio di osservazione, che è semplicemente il dato grezzo, come un'immagine 3D di un tumore o una mappa di un cervello. Secondo, c'è il modello causale, che definisce ciò che i ricercatori credono abbia causato il cambiamento, come un farmaco specifico o un fattore ambientale. Terzo, c'è la rappresentazione topologica, un metodo per trasformare quella forma complessa in un riassunto matematico che catturi le sue caratteristiche essenziali, come il numero di cicli o di vuoti. Infine, c'è la query causale, che pone la domanda specifica, come "Il trattamento ha cambiato il numero di tunnel nel tumore?". Mantenendo questi quattro livelli distinti, il framework impedisce agli scienziati di confondere accidentalmente la forma dei dati con la causa del cambiamento. Gli autori dimostrano che la topologia non definisce l'intervento in sé; essa fornisce solo un modo stabile e sensibile alla forma per descrivere il risultato dopo che le assunzioni causali sono state formulate.

I ricercatori hanno identificato due modi fondamentalmente diversi di applicare questo framework, e hanno scoperto che questi due approcci portano spesso a risposte differenti. Il primo approccio, che chiamano analisi a livello di esito (outcome-level analysis), osserva ogni singolo paziente o oggetto, ne misura la forma e poi media tali misurazioni attraverso il gruppo. Immaginate di misurare la forma di ogni singolo tumore in uno studio e poi di trovare la variazione media della forma. Il secondo approccio, l'analisi a livello di distribuzione (distribution-level analysis), segue un percorso diverso. Esso prima combina tutti i dati per formare un quadro completo del comportamento della popolazione sotto trattamento, creando una singola "legge" che descrive il gruppo, e poi misura la forma di quell'intero quadro di gruppo. L'articolo dimostra che questi due metodi non sono intercambiabili. In molti casi, la media delle forme individuali non è la stessa della forma del gruppo medio. Ad esempio, un trattamento potrebbe lasciare invariata la dimensione media di un tumore, ma potrebbe causare la divisione della popolazione in due gruppi distinti: alcuni tumori che si rimpiccioliscono in nodi stretti e altri che si espandono in nuvole lassi. Il primo metodo potrebbe ignorare completamente questa divisione, mentre il secondo metodo la rileverebbe chiaramente, grazie alla nuova struttura frammentata.

Una parte significativa del lavoro è dedicata ad assicurare che queste misurazioni siano affidabili. Gli autori mostrano che se gli strumenti matematici usati per descrivere le forme sono stabili — ovvero che un piccolo errore nei dati non provoca un salto enorme nel risultato — allora anche le conclusioni causali tratte da essi sono stabili. Essi forniscono garanzie matematiche specifiche per diversi modi comuni di misurare le forme, come quelli basati sulla distanza tra i punti o sulla densità dei dati. Questo è crucialo perché i dati del mondo reale sono sempre rumorosi. Il framework assicura che, se uno scienziato utilizza un metodo robusto per misurare la forma di una rete cerebrale, possa fidarsi del fatto che un cambiamento rilevato nei cicli della rete sia un effetto reale del trattamento e non solo un errore di misurazione.

L'articolo affronta anche un malinteso comune: l'idea che osservare la forma dei dati possa automaticamente rivelare la causa di una relazione. Gli autori chiariscono che questo non è vero. Sebbene i modelli topologici possano aiutare gli scienziati a diagnosticare se un modello stia omettendo qualcosa — ad esempio, rivelando un pattern circolare nei dati che un modello lineare non era riuscito a catturare — la topologia da sola non può determinare quale variabile abbia causato l'altra. Un ciclo in un grafo non dice in quale direzione punti la freccia del tempo. Per trovare la causa, gli scienziati devono ancora fare affidamento su assunzioni consolidate, come la randomizzazione o la conoscenza specifica di come funziona il sistema. Il framework aggiunge semplicemente una nuova, potente lente per osservare i risultati una volta che tali assunzioni sono in atto.

Infine, i ricercatori esplorano uno scenario in cui il riassunto topologico è così grossolano da poter nascondere alcuni dettagli, pur permettendo comunque una conclusione causale valida. Mostrano che, in certe condizioni, uno scienziato può identificare l'effetto di un trattamento su una specifica caratteristica topologica senza la necessità di conoscere l'intera e dettagliata distribuzione dei dati. Questa è una scoperta sottile ma importante, che suggerisce che talvolta una visione semplificata della forma è sufficiente per rispondere a una specifica domanda scientifica, anche se l'immagine completa rimane troppo complessa per essere mappata. Il lavoro si conclude collocando la topologia fermamente all'interno del processo scientifico standard di definizione di un obiettivo, formulazione di assunzioni e stima degli effetti. Non sostituisce la necessità di un ragionamento causale attento, ma offre un modo rigoroso per porre domande e rispondere a quesiti sulla forma del mondo, dalle pieghe di una proteina alla struttura di un sistema climatico.