A Mathematical Framework for Topological Causal Data Analysis

In de wereld van de moderne wetenschap worden onderzoekers vaak geconfronteerd met een bijzonder probleem: de dingen die ze willen bestuderen zijn te complex om te worden teruggebracht tot een enkel getal. Wanneer een arts een tumor behandelt, is het resultaat niet alleen een kleinere massa; het is een verandering in vorm, een herordening van interne tunnels, of een verschuiving in de manier waarop het weefsel met zichzelf verbonden is. Op dezelfde manier kan een klimaatwetenschapper naar een weerkaart kijken, niet alleen om te zien of het warmer is geworden, maar om te begrijpen of de stormpatronen gefragmenteerder zijn geworden of dat er nieuwe lussen in de circulatie zijn gevormd. Traditionele statistiek worstelt hier omdat deze is gebouwd op het vergelijken van gemiddelden, zoals het verschil tussen twee hoogtes of twee gewichten. Maar je kunt niet simpelweg de ene vorm van de andere aftrekken om een betekenisvol antwoord te vinden, noch kun je de essentie van een netwerk vangen door de verbindingen te middelen. Om deze veranderingen te begrijpen, hebben wetenschappers een manier nodig om de geometrie en de "gaten" binnen data te meten, een veld dat bekend staat als topologische data-analyse. Deze benadering behandelt data als een fysiek object dat uitgerekt en onderzocht kan worden op verschillende schalen om te zien welke kenmerken blijven bestaan en welke verdwijnen.

Een nieuw kader genaamd Topological Causal Data Analysis, ontwikkeld door Hugo Gobato Souto en Ioannis Diamantis, brengt dit geometrische perspectief naar de rigoureuze wereld van oorzaak en gevolg. Decennialang hebben wetenschappers causale inferentie gebruikt om te bepalen of een behandeling daadwerkelijk een resultaat veroorzaakt, waarbij het effect van een medicijn wordt gescheiden van de natuurlijke geschiedenis van een ziekte. Echter, deze methoden waren ontworend voor eenvoudige getallen. De onderzoekers realiseerden zich dat om complexe uitkomsten zoals hersennetwerken of moleculaire structuren te bestuderen, ze een nieuwe wiskundige architectuur nodig hadden die zowel de vorm van de data als de logica van causaliteit respecteert. Hun werk vindt niet het wiel opnieuw uit om te bewijzen dat een medicijn werkt; het biedt eerder een precieze set regels voor hoe men de vorm van de verandering meet zodra het causale verband is vastgesteld. Ze laten zien dat topologie, de studie van vorm en connectiviteit, een krachtig hulpmiddel is om complexe data samen te vatten, maar dat het zorgvuldig moet worden toegepast zodat het de geometrie van de data niet verwart met de oorzaak van de verandering.

De kern van het artikel is een vierdelige structuur die de verschillende lagen van een wetenschappelijke vraag gescheiden houdt. Ten eerste is er de observatieruimte, wat simpelweg de ruwe data is, zoals een 3D-beeld van een tumor of een kaart van een brein. Ten tweede is er het causale model, dat definieert wat de onderzoekers de verandering hebben doen veroorzaken, zoals een specifiek medicijn of een omgevingsfactor. Ten derde is er de topologische representatie, een methode om die complexe vorm om te zetten in een wiskundige samenvatting die de essentiële kenmerken vastlegt, zoals het aantal lussen of holtes. Ten slotte is er de causale vraag (causal query), die de specifieke vraag stelt, zoals: "Heeft de behandeling het aantal tunnels in de tumor veranderd?" Door deze vier lagen strikt gescheiden te houden, voorkomt het kader wetenschappers ervan dat ze per ongeluk de vorm van de data verwarren met de oorzaak van de verandering. De auteurs tonen aan dat topologie de interventie zelf niet definieert; het biedt slechts een stabiele, vormgevoelige manier om het resultaat te beschrijven nadat de causale aannames zijn gedaan.

De onderzoekers identificeerden twee fundamenteel verschillende manieren om dit kader toe te passen, en zij ontdekten dat deze twee benaderingen vaak tot verschillende antwoorden leiden. De eerste benadering, die zij outcome-level analyse noemen, kijkt naar elk individueel patiënt of object, meet de vorm ervan, en middelt vervolgens die metingen over de hele groep. Stel je voor dat je de vorm van elke enkele tumor in een studie meet en vervolgens de gemiddelde vormverandering vindt. De tweede benadering, distribution-level analyse, kiest een ander pad. Het combineert eerst alle data om een compleet beeld te vormen van het gedrag van de populatie onder behandeling, creëert een enkele "wet" die de groep beschrijft, en meet vervolgens de vorm van dat volledige groepsbeeld. Het artikel bewijst dat deze twee methoden niet uitwisselbaar zijn. In veel gevallen is het gemiddelde van de individuele vormen niet hetzelfde als de vorm van het gemiddelde van de groep. Bijvoorbeeld, een behandeling kan de gemiddelde grootte van een tumor onveranderd laten, maar het zou de populatie kunnen doen splitsen in twee duidelijke groepen: sommige tumoren die krimpen tot strakke knopen en andere die uitzetten tot losse wolken. De eerste methode zou deze splitsing mogelijk volledig missen, terwijl de tweede methode deze nieuwe, gefragmenteerde structuur duidelijk zou detecteren.

Een aanzienlijk deel van het werk is gewijd aan het waarborgen dat deze metingen betrouwbaar zijn. De auteurs tonen aan dat als de wiskundige instrumenten die de vormen beschrijven stabiel zijn — wat betekent dat een kleine fout in de data niet leidt tot een enorme sprong in het resultaat — de daaruit getrokken causale conclusies ook stabiel zijn. Ze bieden specifieke wiskundige garanties voor verschillende veelvoorkomende manieren om vormen te meten, zoals die gebaseerd op de afstand tussen punten of de dichtheid van de data. Dit is cruciaal omdat real-world data altijd ruis bevat. Het kader zorgt ervoor dat als een wetenschapper een robuuste methode gebruikt om de vorm van een hersennetwerk te meten, hij erop kan vertrouwen dat een gedetecteerde verandering in de lussen van het netwerk een echt effect van de behandeling is en niet slechts een glitch in de meting.

Het artikel behandelt ook een veelvoorkomend misverstand: dat het kijken naar de vorm van data automatisch de oorzaak van een relatie kan onthullen. De auteurs zijn duidelijk dat dit niet waar is. Hoewel topologische patronen wetenschappers kunnen helpen diagnosticeren of een model iets mist — bijvoorbeeld door een circulaire structuur in de data te onthullen die een lineair model niet had gevangen — kan topologie alleen niet bepalen welke variabele de andere heeft veroorzaakt. Een lus in een graaf vertelt je niet in welke richting de pijl van de tijd wijst. Om de oorzaak te vinden, moeten wetenschappers nog steeds vertrouwen op gevestigde aannames, zoals randomisatie of specifieke kennis over hoe het systeem werkt. Het kader voegt simpelweg een nieuwe, krachtige lens toe voor het bekijken van de resultaten zodra die aannames zijn gemaakt.

Ten slotte verkennen de onderzoekers een scenario waarin de topologische samenvatting zo grofmazig is dat het enkele details kan verbergen, maar toch een geldige causale conclusie mogelijk maakt. Ze laten zien dat onder bepaalde omstandigheden een wetenschapper het effect van een behandeling op een specifiek topologisch kenmerk kan identificeren zonder de volledige, gedetailleerde distributie van de data te hoeven kennen. Dit is een subtiele maar belangrijke bevinding, die suggereert dat soms een vereenvoudigd beeld van de vorm voldoende is om een specifieke wetenschappelijke vraag te beantwoorden, zelfs als het volledige beeld te complex blijft om in kaart te brengen. Het werk concludeert door topologie stevig te plaatsen binnen het standaard wetenschappelijke proces van het definiëren van een doel, het doen van aannames en het schatten van effecten. Het vervangt niet de noodzaak van zorgvuldige causale redenering, maar biedt een rigoureuze manier om vragen te stellen en te beantwoorden over de vorm van de wereld, van de vouwen van een eiwit tot de structuur van een klimaatsysteem.