Resumo Técnico: SCOUT – Descoberta Causal Cíclica sob Intervenções Suaves com Alvos Desconhecidos

1. Formulação do Problema

A descoberta causal visa inferir a estrutura causal subjacente de um sistema a partir de dados. No entanto, algoritmos existentes enfrentam limitações significativas quando aplicados a sistemas complexos do mundo real. A maioria dos métodos atuais baseia-se em três suposições restritivas:

1. A ciclicidade: O grafo causal subjacente é um Grafo Acíclico Direcionado (DAG), ignorando loops de feedback comuns em sistemas biológicos e econômicos.
2. Gaussianidade: As variáveis de ruído exógeno são assumidas como Gaussianas, o que frequentemente falha em capturar a complexidade das distribuições do mundo real.
3. Alvos de Intervenção Conhecidos: Assume-se que as variáveis específicas alvo durante experimentos intervencionais são conhecidas, ao passo que em muitos cenários práticos (por exemplo, triagens biológicas de alto rendimento), esses alvos são desconhecidos.

Além disso, métodos existentes que abordam essas questões individualmente frequentemente falham em combiná-las. Por exemplo, métodos que lidam com grafos cíclicos frequentemente assumem linearidade ou intervenções duras (cirúrgicas), enquanto aqueles que lidam com intervenções suaves frequentemente assumem aciclicidade ou alvos conhecidos. Este artigo aborda o desafio de aprender relações causais não lineares e cíclicas a partir de dados de intervenção suave onde os alvos de intervenção são desconhecidos e o ruído é não Gaussiano.

2. Metodologia: O Framework SCOUT

Os autores propõem o SCOUT, um framework inovador que formula a descoberta causal como um problema de otimização contínua maximizando a verossimilhança logarítmica dos dados. O framework integra vários componentes avançados para lidar com os desafios específicos de ciclos, não linearidade e alvos desconhecidos.

2.1. Modelagem de Equações Estruturais (SEM) com Ciclos

O sistema é modelado usando um modelo de equações estruturais (SEM) que permite ciclos direcionados:
$$X = f(X) + \epsilon$$
onde $X$ representa as variáveis aleatórias, $f$ representa os mecanismos causais não lineares e $\epsilon$ representa o ruído exógeno. Para garantir que o sistema esteja bem posto e admita uma solução única sob condições de equilíbrio, os autores assumem que o mecanismo causal $f$ é contrativo. Isso permite a definição de um mapa direto invertível $X \mapsto \epsilon = (id - f)(X)$.

2.2. Modelagem de Intervenções Suaves

O framework lida com intervenções suaves, onde a conectividade de um nó com seus pais é preservada, mas o mecanismo causal ou as características do ruído mudam. Para $K$ experimentos com alvos desconhecidos, o modelo é expresso como:
$$X = U_k(f(X) + \epsilon) + (I_d - U_k)(\tilde{f}(X) + \tilde{\epsilon})$$
Aqui, $U_k$ é uma matriz diagonal indicando quais variáveis não foram intervencionadas no experimento $k$. Crucialmente, $U_k$ (e, portanto, os alvos de intervenção) é tratado como um parâmetro desconhecido a ser aprendido juntamente com a estrutura do grafo.

2.3. Fluxos Normalizadores para Ruído Não Gaussiano

Para lidar com ruído não Gaussiano e aprender os mecanismos causais, o SCOUT emprega Fluxos Normalizadores em duas etapas:

1. Fluxos Residuais Contrativos: O mecanismo causal $f$ é parametrizado por uma rede neural. Para satisfazer a suposição de contratividade necessária para a solvabilidade, os pesos da rede são restringidos usando normalização espectral. A matriz de adjacência do grafo é aprendida via uma relaxação Gumbel-softmax.
2. Fluxos de Splines Neurais (NSF): Como o ruído $\epsilon$ pode ser não Gaussiano, o framework usa uma transformação de função de distribuição acumulada (CDF) racional por partes (Fluxo de Spline Neural) para mapear o ruído $\epsilon$ para uma distribuição normal padrão $z$. Isso permite que o modelo capture distribuições de ruído complexas enquanto mantém o cálculo da verossimilhança tratável.

2.4. Inferência de Alvos Desconhecidos

Para identificar alvos de intervenção desconhecidos, o SCOUT introduz uma matriz de alvo de intervenção $T^I \in \{0, 1\}^{K \times d}$. Similar à matriz de adjacência do grafo, as entradas de $T^I$ são amostradas de uma distribuição Gumbel-softmax e otimizadas via estimativa de gradiente direta (straight-through). Um regularizador de esparsidade é aplicado para incentivar alvos de intervenção esparsos.

2.5. Otimização e Função de Pontuação

O objetivo é maximizar uma função de pontuação de verossimilhança logarítmica regularizada:
$$S(G, I) = \sup_{\theta} \sum_{k=1}^K \mathbb{E}_{X \sim p^{(k)}} [\log p_{I_k, G}(X)] - \lambda_G |G| - \lambda_I |I|$$
O cálculo do determinante logarítmico do Jacobiano para sistemas cíclicos é computacionalmente desafiador. O SCOUT aborda isso usando um estimador não enviesado baseado na expansão em série de potências do determinante logarítmico (série de Neumann), combinado com o estimador de trilha de Hutchinson e uma estratégia de truncamento aleatório para garantir a não enviesamento.

3. Contribuições Principais

O artigo faz as seguintes contribuições específicas:

• Framework Inovador: O SCOUT é o primeiro framework a acomodar simultaneamente mecanismos não lineares, ciclos direcionados, ruído aditivo não Gaussiano e intervenções suaves com alvos desconhecidos.
• Garantias Teóricas: Os autores provam que a maximização exata da função de pontuação proposta identifica a classe de equivalência intervencional do grafo da verdade fundamental e a família de intervenção da verdade fundamental, sob suposições de contratividade e fidelidade.
• Arquitetura Escalável: Ao utilizar otimização contínua e fluxos normalizadores, o método evita o espaço de busca combinatório típico da descoberta causal discreta.
• Avaliação Abrangente: O framework é avaliado contra métodos state-of-the-art (NODAGS-Flow, LLC, BACKSHIFT) em conjuntos de dados sintéticos e do mundo real.

4. Resultados Experimentais

Os autores avaliaram o SCOUT em dados sintéticos e dois conjuntos de dados do mundo real: Perturb-CITE-seq (dados de expressão gênica) e SERGIO (expressão gênica de célula única simulada).

4.1. Desempenho em Dados Sintéticos

• Recuperação de Grafo: O SCOUT alcançou recuperação de grafo quase perfeita (AUPRC $\approx$ 1.0) em várias configurações envolvendo ruído Gaussiano, Exponencial e Gumbel, e intervenções de função com deslocamento, escala e ruído. Superou significativamente as linhas de base, particularmente em configurações não Gaussianas e cíclicas onde outros métodos falharam ou degradaram.
• Recuperação de Alvos: O SCOUT recuperou com sucesso alvos de intervenção desconhecidos, alcançando AUPRC perfeito para intervenções de deslocamento e escala. Embora o desempenho tenha diminuído para intervenções de "função ruidosa" (devido a deslocamentos de distribuição limitados), ainda superou a linha de base BACKSHIFT.
• Escalabilidade: À medida que o número de nós aumentava de 10 para 70, o SCOUT manteve alto desempenho, enquanto linhas de base como BACKSHIFT e LLC mostraram degradação significativa.
• Estudos de Ablação: A remoção da camada de Fluxo de Spline Neural (NSF) resultou em uma queda significativa no desempenho para ruído não Gaussiano, confirmando a necessidade do NSF para modelar distribuições de ruído complexas.

4.2. Dados do Mundo Real

• Perturb-CITE-seq: Em dados de rede regulatória gênica, o SCOUT demonstrou desempenho preditivo superior (medido pela Verossimilhança Logarítmica Negativa Intervencional) em comparação com NODAGS-Flow e LLC em diferentes condições celulares (Co-cultura, Controle, IFN-$\gamma$). Isso sugere que levar em conta o ruído não Gaussiano melhora a precisão preditiva em sistemas biológicos.
• SERGIO: Em uma simulação próxima ao mundo real, o SCOUT alcançou recuperação de alvo de intervenção quase perfeita (AUPRC 0,978) e superou as linhas de base na identificação de grafos, mesmo que o mecanismo da verdade fundamental não fosse estritamente contrativo.

5. Significado e Alegações

O artigo alega que o SCOUT amplia substancialmente o escopo da descoberta causal para configurações experimentais realistas. Ao relaxar as suposições de aciclicidade, Gaussianidade e alvos conhecidos, o framework permite a análise de sistemas complexos com loops de feedback e ruído heterogêneo, que são prevalentes em campos como biologia e engenharia de sistemas.

Os autores enfatizam que sua abordagem fornece um método consistente para recuperar a classe de equivalência de Markov do grafo da verdade fundamental e os alvos de intervenção. Eles reconhecem limitações, como a exigência de mecanismos contrativos para garantir solvabilidade e a dificuldade de recuperar alvos quando as intervenções induzem mudanças de distribuição mínimas (por exemplo, intervenções de função ruidosa). Trabalhos futuros são sugeridos para incluir o tratamento de confundidores, modelos de ruído de medição mais realistas e escalabilidade para modelos de grafos maiores.

O artigo conclui que o SCOUT representa um passo significativo para frente em tornar a descoberta causal aplicável aos sistemas complexos, cíclicos e não Gaussianos frequentemente encontrados em dados científicos modernos.