Causal Discovery on Dependent Mixed Data with Applications to Gene Regulatory Network Inference

Resumo Técnico: Descoberta Causal em Dados Mistos Dependentes

1. Problema e Motivação

A descoberta causal visa inferir relações causais entre variáveis a partir de dados observacionais, geralmente representadas por um Grafo Acíclico Direcionado (DAG). A maioria dos métodos existentes baseia-se em duas premissas que são frequentemente violadas em aplicações modernas:

1. Independência e Identidade de Distribuição (i.i.d.): Assume-se que as observações (amostras) são independentes. No entanto, em dados reais (como redes sociais ou biologia celular), as amostras exibem dependência (ex.: células de uma mesma linhagem ou indivíduos conectados em uma rede).
2. Natureza dos Dados: Muitos conjuntos de dados contêm uma mistura de variáveis contínuas e discretas (categóricas ou binárias).

A combinação de dados mistos com dependência entre amostras complica a modelagem causal. Métodos padrão falham porque a dependência entre amostras pode ser confundida com relações causais entre variáveis, e a presença de variáveis discretas dificulta a aplicação de técnicas de de-correlação tradicionais projetadas apenas para dados contínuos. O artigo foca especificamente na inferência de Redes de Regulação Gênica (GRNs) a partir de dados de sequenciamento de RNA de célula única (scRNA-seq), onde as células compartilham trajetórias de diferenciação (criando dependência) e a expressão gênica pode ser modelada como contínua ou discretizada.

2. Metodologia Proposta

Os autores propõem um framework de de-correlação baseado em um Modelo de Equações Estruturais (SEM) com variáveis latentes. A abordagem é dividida em duas fases principais:

A. Modelagem (SEM com Variáveis Latentes)
O modelo assume que todas as variáveis observadas ($X$) são geradas a partir de variáveis latentes contínuas ($Z$):

• Variáveis Contínuas: São observadas diretamente ($X_j = Z_j$).
• Variáveis Discretas: São geradas através de um mecanismo de quantização (thresholding) aplicado a uma variável latente gaussiana ($X_j = Q(Z_j; T_j)$), onde $T_j$ são os limiares.
• Dependência entre Amostras: A dependência entre as unidades (amostras) é modelada através dos termos de erro exógenos ($\varepsilon$) nas equações estruturais. O vetor de erro $\varepsilon_j$ segue uma distribuição normal multivariada com uma matriz de covariância $\Sigma$ que captura as correlações entre as unidades (células), permitindo que a estrutura de dependência seja explícita.

B. Fase 1: Pré-estimativa
Antes da descoberta causal, é necessário estimar os parâmetros do modelo de dependência:

1. Estimativa de Limiares ($T$) e Coeficientes ($\beta$): Utiliza-se um algoritmo de ascensão coordenada (blockwise coordinate ascent) para maximizar a verossimilhança dos dados discretos, assumindo inicialmente que as amostras são independentes ($\Sigma = I$).
2. Estimativa da Matriz de Covariância ($\Sigma$): Utiliza-se um estimador de máxima verossimilhança par a par (pairwise MLE). Para cada par de unidades, a correlação é estimada integrando tanto as variáveis discretas quanto as contínuas. Assume-se uma estrutura de bloco-diagonal para $\Sigma$ para capturar grupos de unidades correlacionadas (ex.: clusters de células).

C. Fase 2: De-correlação e Recuperação de Dados Latentes
O objetivo é transformar os dados dependentes em dados aproximadamente independentes para permitir o uso de algoritmos de descoberta causal padrão.

1. Recuperação de Dados Latentes (Algoritmo EM): Para variáveis discretas, os valores latentes contínuos ($Z$) não são observados. Um algoritmo Expectation-Maximization (EM) é desenvolvido para imputar esses valores latentes.
   • Passo E: Amostra-se os erros latentes de uma distribuição normal truncada multivariada (condicionada aos dados observados e aos limiares) e calcula-se a expectativa.
   • Passo M: Atualizam-se os coeficientes de regressão.
2. Transformação de De-correlação: Uma vez estimada a matriz de precisão $\Theta = \Sigma^{-1}$ e seu fator de Cholesky $L$, aplica-se a transformação $L^\top$ aos dados latentes recuperados (e aos dados contínuos originais).
   • Resultado: $\tilde{Z} = L^\top Z$.
   • Propriedade: Os erros transformados tornam-se independentes, removendo a dependência entre amostras enquanto preserva a estrutura causal entre variáveis.

D. Aprendizado de Estrutura
Após a de-correlação, qualquer algoritmo padrão de descoberta causal (como MMHC, PC ou Copula-PC) pode ser aplicado aos dados transformados $\tilde{Z}$. Os autores propõem duas estratégias para lidar com a variabilidade da imputação:

• Abordagem de Consenso: Executa o algoritmo de descoberta em múltiplas iterações dos dados imputados e agrega os resultados por votação majoritária.
• Abordagem de Média: Calcula a média dos dados imputados e executa o algoritmo uma única vez.

3. Contribuições Principais

1. Generalização para Dados Mistos: Estende o framework de de-correlação (anteriormente limitado a dados contínuos ou binários) para lidar com uma mistura geral de variáveis contínuas e discretas (multi-nível), crucial para dados biológicos como scRNA-seq.
2. Framework Unificado de De-correlação: Desenvolve um método que separa a dependência entre amostras da estrutura causal entre variáveis, permitindo o uso de algoritmos existentes sem necessidade de redesign completo.
3. Aplicação em scRNA-seq: Aplica o método a dados reais de diferenciação de células-tronco embrionárias humanas, demonstrando sua utilidade prática na inferência de redes de regulação gênica.
4. Medida de Incerteza: Introduz um método de bootstrap para quantificar a estabilidade das arestas inferidas na rede causal.

4. Resultados

• Simulações:
  • O método demonstrou superioridade significativa na recuperação de grafos causais (medida por F1-score) em comparação com a aplicação direta de métodos padrão aos dados dependentes originais.
  • A precisão da estimativa da matriz de covariância ($\Sigma$) foi robusta, mesmo quando a estrutura de pais (parent sets) era estimada com erro.
  • A de-correlação reduziu drasticamente as correlações entre amostras (de média ~0.62 para ~0.09), validando a eficácia da transformação.
  • A abordagem de Consenso geralmente obteve os melhores resultados, especialmente em cenários de alta dimensionalidade ($p > n$).
• Aplicação Biológica (GRN):
  • Ao aplicar o método aos dados de Chu et al. (2016), a rede inferida apresentou uma verossimilhança logarítmica significativamente maior em dados de teste (via validação cruzada) em comparação com métodos de base (sem de-correlação) e métodos que ignoram a dependência.
  • Muitas arestas de alta confiança inferidas (ex.: interações entre POU5F1, NANOG, ZFP42) foram validadas por literatura biológica conhecida, confirmando a capacidade do método de capturar mecanismos regulatórios reais.

5. Significado e Conclusão

Este trabalho resolve um desafio fundamental na análise de dados modernos: a coexistência de heterogeneidade de tipos de dados e dependência amostral. Ao demonstrar que a dependência entre amostras pode ser tratada como um problema de transformação de dados (de-correlação) antes da descoberta causal, os autores permitem que a vasta gama de algoritmos existentes seja aplicada a cenários complexos e realistas.

A aplicação em biologia de sistemas é particularmente impactante, pois fornece uma ferramenta robusta para inferir redes de regulação gênica a partir de dados de célula única, onde a dependência celular é intrínseca e a natureza dos dados é mista. O sucesso na validação cruzada e a concordância com o conhecimento biológico estabelecem o método como uma nova referência para a inferência causal em dados dependentes e mistos.