Un equipo de investigación de la Universidad de Fudan, la Academia China de Ciencias y la Universidad de Tokio ha propuesto un marco matemático para identificar relaciones de causa y efecto en sistemas complejos sin manipularlos físicamente. Publicado en The Innovation, el enfoque se denomina Causalidad Dinámica Intervencional, o IntDC.

El método aborda una limitación de técnicas consolidadas como la causalidad de Granger, la entropía de transferencia y el mapeo cruzado convergente. Esos métodos evalúan si el historial de una variable ayuda a predecir otra, pero pueden producir vínculos engañosos cuando un factor no medido influye en ambas variables.

En cambio, IntDC busca determinar si una intervención sobre una variable modificaría otra. Para estimarlo a partir de datos observacionales, los investigadores utilizaron la incrustación mediante coordenadas retardadas, una técnica de la dinámica no lineal que reconstruye el espacio de estados de un sistema a partir de observaciones de series temporales. Sostienen que el historial registrado de una variable afectada conserva una huella matemática de las perturbaciones causadas por un impulsor genuino.

El marco cuantifica esta relación mediante una métrica denominada Entropía de Incrustación Intervencional, o IEE. Según el estudio, la IEE puede estimar la dirección y la intensidad del flujo de información causal sin requerir conocimientos previos de las ecuaciones del sistema ni una intervención experimental real.

En pruebas computacionales con mapas logísticos acoplados, mapas de Hénon y redes neuronales caóticas, la IEE rechazó las conexiones creadas por impulsores compartidos que no vinculaban directamente las variables analizadas. La métrica también se mantuvo estable ante cambios en la duración del registro, el ruido de medición, las dimensiones de incrustación y la intensidad del acoplamiento.

Los investigadores aplicaron el método a varios conjuntos de datos del mundo real. En registros de imágenes de calcio del nematodo Caenorhabditis elegans, se utilizó para reconstruir relaciones funcionales dirigidas entre neuronas motoras, sensoriales e interneuronas. El equipo también lo aplicó a registros regionales de infecciones por COVID-19 en Japón para estimar rutas de transmisión y a datos transcriptómicos para examinar relaciones reguladoras relacionadas con genes circadianos.

Los autores afirman que IntDC e IEE podrían contribuir a la reconstrucción de redes causales en la neurociencia, la biología de sistemas y la medicina computacional cuando la intervención directa resulte impráctica o no pueda realizarse. El estudio, “Deciphering interventional dynamical causality from non-intervention complex systems”, se publicó en The Innovation.

Fuentes: Neuroscience News.