Ein Forschungsteam der Fudan-Universität, der Chinesischen Akademie der Wissenschaften und der Universität Tokio hat einen mathematischen Rahmen zur Identifizierung von Ursache-Wirkungs-Beziehungen in komplexen Systemen vorgeschlagen, ohne physisch in diese einzugreifen. Der in The Innovation veröffentlichte Ansatz wird als Interventional Dynamical Causality oder IntDC bezeichnet.
Die Methode befasst sich mit einer Einschränkung etablierter Verfahren wie der Granger-Kausalität, der Transferentropie und dem Convergent Cross Mapping. Diese Methoden bewerten, ob die Vergangenheit einer Variablen dabei hilft, eine andere vorherzusagen, können jedoch irreführende Verknüpfungen erzeugen, wenn ein nicht gemessener Faktor beide Variablen beeinflusst.
IntDC versucht stattdessen zu bestimmen, ob ein Eingriff in eine Variable eine andere verändern würde. Um dies aus Beobachtungsdaten zu schätzen, verwendeten die Forschenden die Verzögerungskoordinaten-Einbettung, eine Technik aus der nichtlinearen Dynamik, die den Zustandsraum eines Systems anhand von Zeitreihenbeobachtungen rekonstruiert. Sie argumentieren, dass die aufgezeichnete Historie einer betroffenen Variablen einen mathematischen Abdruck der durch einen tatsächlichen Treiber verursachten Störungen bewahrt.
Der Rahmen quantifiziert diese Beziehung mit einer Kennzahl namens Interventional Embedding Entropy oder IEE. Der Studie zufolge kann die IEE die Richtung und Stärke des kausalen Informationsflusses schätzen, ohne Vorkenntnisse über die Gleichungen des Systems oder einen tatsächlichen experimentellen Eingriff zu benötigen.
In computergestützten Tests mit gekoppelten logistischen Abbildungen, Hénon-Abbildungen und chaotischen neuronalen Netzwerken verwarf die IEE Verbindungen, die durch gemeinsame Treiber erzeugt wurden, welche die getesteten Variablen nicht direkt miteinander verbanden. Die Kennzahl blieb außerdem bei Änderungen der Aufzeichnungslänge, des Messrauschens, der Einbettungsdimensionen und der Kopplungsstärke stabil.
Die Forschenden wendeten die Methode auf mehrere reale Datensätze an. Bei Kalziumbildgebungsaufnahmen des Fadenwurms Caenorhabditis elegans wurde sie eingesetzt, um gerichtete funktionelle Beziehungen zwischen Motor-, Sinnes- und Interneuronen zu rekonstruieren. Das Team wandte sie außerdem auf regionale COVID-19-Infektionsdaten aus Japan an, um Übertragungswege zu schätzen, sowie auf transkriptomische Daten, um regulatorische Beziehungen im Zusammenhang mit zirkadianen Genen zu untersuchen.
Die Autoren erklären, dass IntDC und IEE die Rekonstruktion kausaler Netzwerke in der Neurowissenschaft, der Systembiologie und der computergestützten Medizin unterstützen könnten, wenn direkte Eingriffe unpraktisch sind oder nicht durchgeführt werden können. Die Studie „Deciphering interventional dynamical causality from non-intervention complex systems“ wurde in The Innovation veröffentlicht.
Quellen: Neuroscience News.