On the Recoverability of Causal Relations from Bulk Gene Expression Data

技术摘要：论从大块基因表达数据中恢复因果关系的可行性

问题陈述
尽管单细胞分析技术日益普及，但大块（bulk）基因表达谱由于其成本效益高且噪声较低，仍是大规模生物学研究中普遍采用的方法。大块数据代表了在样本中许多细胞内聚合的 RNA 总和。大量计算工作试图直接从这些聚合的大块测量值中推断因果基因调控网络，通常将其视为对单一同质因果系统的直接观测。然而，聚合是一种有损的、不可逆的底层细胞系统粗粒化过程。本文探讨了一个基本且尚未得到充分研究的问题：在何种条件下，可以从聚合的大块表达数据中可靠地恢复基因间的因果关系？聚合过程在何时会扭曲用于因果发现的关键识别信息（包括函数形式、统计依赖性和条件独立性）？

方法论与理论框架
作者通过两个互补的概念，来衡量底层潜在因果模型与观测到的聚合数据之间的一致性，从而将问题形式化：

1. 函数形式一致性（Functional-Form Consistency）： 考察聚合变量是否允许具有与底层模型相同函数族的结构因果模型（SCM）。作者分析了两种常见的函数因果模型族：加性噪声模型（ANM，$Y = f(X) + \epsilon_Y$）和后非线性模型（PNL，$Y = f_2(f_1(X) + \epsilon_Y)$）。
2. 条件独立性一致性（Conditional-Independence Consistency）： 研究潜在变量之间的条件独立关系（例如，$X \perp\!\!\perp Z | Y$）是否在聚合变量中得以保留（即 $\bar{X} \perp\!\!\perp \bar{Z} | \bar{Y}$）。

本研究推导了这些一致性成立的充分必要条件。分析区分了线性聚合（如求和、平均值）与非线性聚合（如中位数、最大值）。

核心理论结果
论文指出，仅在极其苛刻的条件下，才能从聚合数据中恢复因果关系：

• 函数形式恢复： 若要在线性聚合（如求和/平均）下保持函数形式一致性，底层的结构方程必须是仿射的（即 $f(X) = \alpha X + \beta$）。具体而言：
  • 对于 ANM，函数 $f$ 必须是仿射的。
  • 对于 PNL，$f_1$ 和 $f_2$ 都必须是仿射的。
  • 如果聚合是非线性的（例如中位数），即使对于仿射关系，函数形式一致性通常也无法得到保持。
• 条件独立性恢复： 对于条件独立结构（特别是链式结构和分叉结构，其中 $X \perp\!\!\perp Z | Y$），其保持需要底层关系是线性的。在非线性系统中，对聚合变量 $\bar{Y}$ 进行条件化无法阻断 $\bar{X}$ 与 $\bar{Z}$ 之间的路径，从而导致违反真实潜在结构的伪相关性。

实证评估
作者通过两个阶段验证了其理论发现：

1. 合成数据： 受控模拟证实，只有当真实情况涉及线性聚合结合仿射结构方程时，因果发现方法（包括基于函数的和基于约束的方法）才能保持高精度。当引入非线性函数或非线性聚合时，恢复因果方向和条件独立性的精度会显著下降。
2. 真实世界数据： 作者分析了四个大块基因表达数据集（两个微阵列，两个 RNA-seq）和四个单细胞数据集。他们利用统计诊断工具来评估基因对调控函数的线性程度：
   • 逆有效自由度（1/edf）： 源自广义加性模型（GAM），用于衡量拟合数据所需的灵活性。
   • 信号加权线性得分： 衡量估计的成对函数与其最佳仿射近似之间的偏差。

结果表明，在包括大块和单细胞数据在内的所有数据中，估计的成对调控函数都显著偏离线性。虽然大块聚合诱导了一些平滑作用，使其表现出比单细胞数据更高的表观线性度，但实现理论可恢复性所需的仿射关系假设在实证证据中并未得到支持。

意义与主张
论文得出结论：在没有强有力附加假设的情况下，从聚合的大块表达数据中恢复因果关系通常是不可行的。实现可恢复性的理论条件（线性聚合结合仿射结构方程）在真实的转录组数据中极少被满足，因为在这些数据中，基因间的相互作用主要是非线性的。

作者警告称，不要将仅基于大块表达谱得出的因果主张解释为底层细胞水平因果机制的直接反映。他们认为，领域内必须认识到大块数据在因果发现方面的根本局限性，且可靠的恢复可能需要辅助信息（如扰动数据、时间序列测量或单细胞参考），而非仅仅依赖于大块数据本身。这项工作为聚合大块队列中哪些可以推断、哪些不能推断划定了原则性的边界。