Une équipe de recherche de l’Université Fudan, de l’Académie chinoise des sciences et de l’Université de Tokyo a proposé un cadre mathématique permettant d’identifier les relations de cause à effet dans des systèmes complexes sans les manipuler physiquement. Publiée dans The Innovation, cette approche est appelée causalité dynamique interventionnelle, ou IntDC.
La méthode répond à une limite de techniques établies telles que la causalité de Granger, l’entropie de transfert et la reconstruction croisée convergente. Ces méthodes évaluent si l’historique d’une variable aide à prédire une autre variable, mais peuvent produire des liens trompeurs lorsqu’un facteur non mesuré influence les deux variables.
L’IntDC cherche plutôt à déterminer si une intervention sur une variable modifierait une autre variable. Pour estimer cette relation à partir de données d’observation, les chercheurs ont utilisé le plongement en coordonnées retardées, une technique issue de la dynamique non linéaire qui reconstruit l’espace des états d’un système à partir d’observations sous forme de séries temporelles. Ils soutiennent que l’historique enregistré d’une variable affectée conserve une empreinte mathématique des perturbations causées par un véritable facteur moteur.
Le cadre quantifie cette relation au moyen d’une mesure appelée entropie de plongement interventionnelle, ou IEE. Selon l’étude, l’IEE peut estimer la direction et l’intensité du flux d’informations causales sans nécessiter de connaissances préalables des équations du système ni d’intervention expérimentale réelle.
Lors de tests informatiques portant sur des applications logistiques couplées, des applications de Hénon et des réseaux neuronaux chaotiques, l’IEE a rejeté les connexions créées par des facteurs communs qui ne reliaient pas directement les variables testées. La mesure est également restée stable face aux variations de la durée d’enregistrement, du bruit de mesure, des dimensions du plongement et de l’intensité du couplage.
Les chercheurs ont appliqué la méthode à plusieurs ensembles de données réelles. Dans des enregistrements d’imagerie calcique du nématode Caenorhabditis elegans, elle a été utilisée pour reconstruire les relations fonctionnelles orientées entre les neurones moteurs, sensoriels et intermédiaires. L’équipe l’a également appliquée aux données régionales d’infection par la COVID-19 au Japon afin d’estimer les voies de transmission, ainsi qu’à des données transcriptomiques pour examiner les relations de régulation impliquant les gènes circadiens.
Les auteurs indiquent que l’IntDC et l’IEE pourraient contribuer à la reconstruction de réseaux causaux en neurosciences, en biologie des systèmes et en médecine computationnelle lorsque l’intervention directe est impraticable ou impossible. L’étude, intitulée « Deciphering interventional dynamical causality from non-intervention complex systems », a été publiée dans The Innovation.
Sources: Neuroscience News.