Resumo Técnico: PACER – Descoberta Causal Acíclica a partir de Dados Intervencionais em Grande Escala

Declaração do Problema

Inferir a estrutura de Grafos Acíclicos Dirigidos (DAGs) a partir de dados é um desafio fundamental na descoberta causal. Embora dados observacionais isolados possam identificar grafos causais apenas até a equivalência de Markov, a integração de dados intervencionais melhora significativamente a identificabilidade ao resolver ambiguidades causais. No entanto, à medida que a dimensionalidade dos sistemas cresce (por exemplo, em genômica com milhares de variáveis), os métodos existentes enfrentam gargalos severos de escalabilidade.

Abordagens modernas de descoberta causal diferenciável, como NOTEARS e suas variantes (DCDI, DCDFG), reformulam a aprendizagem de estrutura como um problema de otimização contínua. Esses métodos geralmente impõem aciclicidade por meio de penalidades suaves (por exemplo, penalidades de Lagrangeano aumentado baseadas em exponenciais de matriz ou raios espectrais). Essa abordagem sofre de três limitações primárias:

1. Espaço de Busca Inválido: A otimização ocorre sobre grafos cíclicos que carecem de uma verossimilhança conjunta bem definida, exigindo poda pós-hoc dispendiosa.
2. Instabilidade Numérica: À medida que o número de nós aumenta, a complexidade computacional das restrições de aciclicidade leva a instabilidade numérica e tempos de execução proibitivos.
3. Escalabilidade: A dependência de penalidades substitutas e a complexidade $O(n^3)$ ou $O(n^4)$ dos gradientes de restrição limitam esses métodos a tamanhos de grafos pequenos a moderados, falhando em escalar para as milhares de variáveis encontradas em telas de perturbação de alto rendimento modernas.

Metodologia: PACER

Os autores introduzem o PACER (Recuperação de Arestas Causais Acíclicas Impulsionada por Perturbação), um framework projetado para garantir aciclicidade por construção, e não por meio de termos de penalidade. O PACER opera definindo uma distribuição de probabilidade diretamente sobre o espaço de DAGs, permitindo otimização dentro do espaço de busca válido.

1. Distribuição Bernoulli-Plackett-Luce

O PACER modela o espaço de DAGs usando dois componentes:

• Ordenações Topológicas: Emprega a distribuição Plackett-Luce para modelar uma distribuição sobre permutações de variáveis. Uma permutação $\pi$ define uma ordenação topológica válida, garantindo que qualquer aresta $i \to j$ implique $\pi^{-1}_i < \pi^{-1}_j$.
• Probabilidades de Arestas: Utiliza distribuições Bernoulli independentes para definir uma máscara binária $B$ que poda arestas.
• Modelo Conjunto: A combinação resulta na distribuição Bernoulli-Plackett-Luce, $p(\pi, B | \theta, P)$. Uma aresta $a_{ij}$ existe se e somente se a máscara de aresta indicar $b_{ij}=1$ e a permutação colocar $i$ antes de $j$. Essa formulação garante que todo grafo amostrado seja estritamente acíclico por design.

2. Função Objetivo

O PACER maximiza a verossimilhança logarítmica esperada de variáveis não intervencionadas em todos os regimes de intervenção. A função objetivo $S(\Theta, \Omega)$ é definida como:
$$S(\Theta, \Omega) = \mathbb{E}_{M' \sim M(\Theta)} [f(M', \Omega)] - \lambda \| \mathbb{E}[M(\Theta)] \|_1$$
onde $f(M', \Omega)$ é a verossimilhança logarítmica intervencionada, e o segundo termo é uma penalidade $\ell_1$ para incentivar esparsidade. Crucialmente, nenhuma restrição de aciclicidade é necessária porque a distribuição de amostragem $M(\Theta)$ gera apenas DAGs.

3. Estratégias de Otimização

O PACER oferece dois caminhos distintos para otimização, dependendo do mecanismo causal assumido:

• Caso Geral (REINFORCE): Para densidades condicionais arbitrárias (por exemplo, parametrizações por redes neurais), o PACER utiliza o algoritmo REINFORCE (Williams, 1992) com uma linha de base média para estimar gradientes. Isso permite modelagem flexível de mecanismos não lineares e não Gaussianos.
• Caso Linear-Gaussiano (Solução Analítica): Para mecanismos lineares-Gaussianos, os autores derivam uma expressão de forma fechada para a verossimilhança logarítmica intervencionada esperada. Isso elimina a necessidade de amostragem de Monte Carlo inteiramente. O cálculo analítico do gradiente reduz a complexidade por etapa de $O(n^3)$ (típica de métodos baseados em penalidade) para $O(n^2)$, permitindo escalabilidade para milhares de variáveis.

4. Integração de Priors

O framework suporta a integração direta de conhecimento prévio estrutural. Os parâmetros Plackett-Luce ($\theta$) podem ser inicializados com base em centralidades de nós esperadas, e as probabilidades Bernoulli ($P$) podem ser definidas para impor ou proibir arestas específicas (por exemplo, restringindo regulação apenas a fatores de transcrição).

Contribuições Principais

1. Aciclicidade por Design: O PACER é o primeiro framework escalável a garantir aciclicidade restringindo o espaço de busca a DAGs por meio de um modelo probabilístico de permutações e máscaras de arestas, eliminando a necessidade de penalidades de aciclicidade substitutas.
2. Escalabilidade: Ao derivar uma expressão analítica para a verossimilhança logarítmica esperada sob suposições lineares-Gaussianas, o PACER alcança complexidade computacional de $O(n^2)$, permitindo escalar para redes com milhares de variáveis onde métodos baseados em penalidade falham.
3. Framework Unificado: Oferece um tratamento unificado baseado em verossimilhança para dados observacionais e intervencionais, suportando densidades condicionais flexíveis e priors estruturais.
4. Cálculo Exato de Gradientes: A derivação de gradientes de forma fechada para mecanismos lineares-Gaussianos evita a variância e a instabilidade associadas a estimadores baseados em amostragem em altas dimensões.

Resultados Experimentais

Os autores avaliaram o PACER em benchmarks sintéticos e conjuntos de dados do mundo real, incluindo redes de sinalização de proteínas e dados de perturbação genética em grande escala.

• Escalabilidade Sintética: Em conjuntos de dados sintéticos com até 50 variáveis, o PACER manteve a precisão estrutural enquanto outras bases diferenciáveis (por exemplo, DCDI) tornavam-se numericamente instáveis ou excediam limites de tempo. O PACER escalou para 1.000 variáveis com mecanismos lineares-Gaussianos, alcançando tempos de execução duas ordens de magnitude mais rápidos do que abordagens baseadas em penalidade.
• Sinalização de Proteínas (Sachs et al., 2005): Em configurações observacionais e intervencionais, o PACER igualou ou superou métodos state-of-the-art (por exemplo, GIES, CAM, NOTEARS) na Distância Hamming Estrutural (SHD), Distância de Intervenção Estrutural (SID) e pontuações F1. Recuperou com sucesso vias de sinalização canônicas (por exemplo, PKC→RAF→MEK→ERK).
• Perturbação Genética em Grande Escala (CausalBench & Perturb-CITE-seq):
  • No benchmark CausalBench (linhas celulares RPE1 e K562), o PACER alcançou pontuações de distância de Wasserstein de nível superior, sendo mais de 300 vezes mais rápido do que métodos diferenciáveis concorrentes (DCDFG, NOTEARS).
  • No conjunto de dados Perturb-CITE-seq (~1.000 genes, 248 perturbações), o PACER alcançou a melhor verossimilhança logarítmica negativa intervencionada e erro absoluto médio, superando o DCDFG por um fator de 300 no tempo de execução.
• Robustez: O PACER demonstrou robustez a variações de hiperparâmetros (coeficiente de esparsidade $\lambda$) e manteve desempenho sob cenários de intervenção imperfeitos (efeitos fora do alvo e intervenções suaves).

Significado e Alegações

O artigo afirma que o PACER demonstra que a descoberta causal exata e escalável a partir de dados de perturbação de alta dimensão é alcançável através de um design principiado do espaço de busca.

Ao afastar-se de restrições de aciclicidade suaves e modelar diretamente a distribuição sobre DAGs, o PACER supera as barreiras computacionais e numéricas que limitaram a descoberta causal diferenciável a grafos pequenos. Os autores posicionam o PACER como uma solução prática para configurações modernas de alta dimensão em biologia de sistemas e genômica, onde a compreensão de mecanismos causais a partir de dados intervencionais em grande escala é crítica, mas anteriormente computacionalmente proibitiva. O framework é apresentado como uma ferramenta para geração de hipóteses que aproveita conhecimento de domínio e validação experimental, em vez de um sistema de tomada de decisão autônomo.