Uma equipe de pesquisa da Universidade Fudan, da Academia Chinesa de Ciências e da Universidade de Tóquio propôs um framework matemático para identificar relações de causa e efeito em sistemas complexos sem manipulá-los fisicamente. Publicada na The Innovation, a abordagem é denominada Causalidade Dinâmica Intervencional, ou IntDC.
O método aborda uma limitação de técnicas estabelecidas, como a causalidade de Granger, a entropia de transferência e o mapeamento cruzado convergente. Esses métodos avaliam se o histórico de uma variável ajuda a prever outra, mas podem produzir relações enganosas quando um fator não medido influencia ambas as variáveis.
Em vez disso, a IntDC busca determinar se uma intervenção em uma variável alteraria outra. Para estimar isso a partir de dados observacionais, os pesquisadores utilizaram a incorporação por coordenadas de atraso, uma técnica da dinâmica não linear que reconstrói o espaço de estados de um sistema a partir de observações de séries temporais. Eles argumentam que o histórico registrado de uma variável afetada retém uma impressão matemática das perturbações causadas por um fator impulsionador genuíno.
O framework quantifica essa relação com uma métrica chamada Entropia de Incorporação Intervencional, ou IEE. Segundo o estudo, a IEE pode estimar a direção e a intensidade do fluxo de informação causal sem exigir conhecimento prévio das equações do sistema ou uma intervenção experimental real.
Em testes computacionais envolvendo mapas logísticos acoplados, mapas de Hénon e redes neurais caóticas, a IEE rejeitou conexões criadas por fatores impulsionadores compartilhados que não ligavam diretamente as variáveis testadas. A métrica também permaneceu estável diante de mudanças na duração do registro, no ruído de medição, nas dimensões de incorporação e na intensidade do acoplamento.
Os pesquisadores aplicaram o método a vários conjuntos de dados do mundo real. Em registros de imagens de cálcio do nematódeo Caenorhabditis elegans, ele foi utilizado para reconstruir relações funcionais direcionadas entre neurônios motores, sensoriais e interneurônios. A equipe também o aplicou a registros regionais de infecções por COVID-19 no Japão para estimar rotas de transmissão e a dados transcriptômicos para examinar relações regulatórias envolvendo genes circadianos.
Os autores afirmam que a IntDC e a IEE poderiam apoiar a reconstrução de redes causais em neurociência, biologia de sistemas e medicina computacional quando a intervenção direta é impraticável ou não pode ser realizada. O estudo, “Deciphering interventional dynamical causality from non-intervention complex systems”, foi publicado na The Innovation.
Fontes: Neuroscience News.