Un gruppo di ricerca dell’Università Fudan, dell’Accademia Cinese delle Scienze e dell’Università di Tokyo ha proposto un quadro matematico per identificare le relazioni di causa-effetto nei sistemi complessi senza manipolarli fisicamente. Pubblicato su The Innovation, l’approccio è chiamato Causalità Dinamica Interventistica, o IntDC.
Il metodo affronta una limitazione di tecniche consolidate come la causalità di Granger, l’entropia di trasferimento e il convergent cross mapping. Questi metodi valutano se la storia di una variabile contribuisce a prevederne un’altra, ma possono produrre collegamenti fuorvianti quando un fattore non misurato influenza entrambe le variabili.
IntDC mira invece a determinare se un intervento su una variabile modificherebbe un’altra. Per stimarlo a partire da dati osservazionali, i ricercatori hanno utilizzato l’embedding mediante coordinate ritardate, una tecnica della dinamica non lineare che ricostruisce lo spazio degli stati di un sistema a partire da osservazioni di serie temporali. Secondo i ricercatori, la storia registrata di una variabile influenzata conserva un’impronta matematica delle perturbazioni causate da un autentico fattore trainante.
Il quadro quantifica questa relazione mediante una metrica chiamata Entropia dell’Embedding Interventistico, o IEE. Secondo lo studio, l’IEE può stimare la direzione e l’intensità del flusso di informazioni causali senza richiedere una conoscenza preliminare delle equazioni del sistema né un intervento sperimentale reale.
In test computazionali che hanno coinvolto mappe logistiche accoppiate, mappe di Hénon e reti neurali caotiche, l’IEE ha respinto i collegamenti creati da fattori trainanti condivisi che non collegavano direttamente le variabili esaminate. La metrica è rimasta inoltre stabile al variare della durata della registrazione, del rumore di misurazione, delle dimensioni dell’embedding e dell’intensità dell’accoppiamento.
I ricercatori hanno applicato il metodo a diversi set di dati del mondo reale. Nelle registrazioni di imaging del calcio del nematode Caenorhabditis elegans, è stato utilizzato per ricostruire relazioni funzionali dirette tra neuroni motori, sensoriali e interneuroni. Il team lo ha inoltre applicato ai dati regionali sulle infezioni da COVID-19 in Giappone per stimare le vie di trasmissione e a dati trascrittomici per esaminare le relazioni regolatorie che coinvolgono i geni circadiani.
Gli autori affermano che IntDC e IEE potrebbero sostenere la ricostruzione di reti causali nelle neuroscienze, nella biologia dei sistemi e nella medicina computazionale quando l’intervento diretto è impraticabile o non può essere eseguito. Lo studio, “Deciphering interventional dynamical causality from non-intervention complex systems”, è stato pubblicato su The Innovation.
Fonti: Neuroscience News.