[论文解读] Permutation-based Causal Inference Algorithms with Interventions

Yuhao Wang, Liam Solus+2 more|arXiv (Cornell University)|May 29, 2017

Bayesian Modeling and Causal Inference参考文献 16被引用 32

一句话总结

本文提出了两种非参数、基于置换的因果推断算法——IGSP 和 k-IGSP，通过整合观测数据与干预数据，在忠实性假设下实现对有向无环图（DAG）学习的一致性保证。这些算法将 Greedy SP 框架扩展至处理干预数据，在非高斯基因表达与信号传导数据上优于参数化方法（如 GIES），在真实世界生物数据集中展现出鲁棒性与准确性。

ABSTRACT

Learning directed acyclic graphs using both observational and interventional data is now a fundamentally important problem due to recent technological developments in genomics that generate such single-cell gene expression data at a very large scale. In order to utilize this data for learning gene regulatory networks, efficient and reliable causal inference algorithms are needed that can make use of both observational and interventional data. In this paper, we present two algorithms of this type and prove that both are consistent under the faithfulness assumption. These algorithms are interventional adaptations of the Greedy SP algorithm and are the first algorithms using both observational and interventional data with consistency guarantees. Moreover, these algorithms have the advantage that they are nonparametric, which makes them useful also for analyzing non-Gaussian data. In this paper, we present these two algorithms and their consistency guarantees, and we analyze their performance on simulated data, protein signaling data, and single-cell gene expression data.

研究动机与目标

• 开发高效且一致的因果发现算法，利用观测与干预数据，尤其适用于高维生物数据集。
• 解决现有参数化方法（如 GIES）假设数据服从高斯分布且缺乏一致性保证的局限性。
• 首次提出 Greedy SP 算法的非参数、干预型扩展，并在忠实性假设下提供理论一致性。
• 在模拟数据、单细胞基因表达（perturb-seq）和流式细胞术蛋白信号传导数据上评估性能。
• 展示这些算法在从真实世界高通量数据中重构准确的基因调控与信号传导网络方面的实用性。

提出的方法

• 提出 IGSP（Interventional Greedy SP）与 k-IGSP（基于核的 IGSP），均为 Greedy SP 算法的扩展，用于整合干预数据。
• 采用基于置换的条件独立性（CI）检验，评估在干预存在下的 d-分离性，避免参数化假设。
• 采用贪心爬升策略，通过非参数评分函数迭代评分并更新 DAG 结构。
• 应用显著性阈值（如高斯 CI 的 α = 0.15，核 CI 的 α = 0.0001），根据 CI 检验的 p 值决定边的包含。
• 将干预目标作为已知输入进行条件化处理，从而识别超出马尔可夫等价性的因果方向。
• 同时采用高斯与基于核的 CI 检验评估条件独立性，增强对非高斯数据的鲁棒性。

实验结果

研究问题

• RQ1 基于置换的非参数因果推断算法能否有效整合观测与干预数据，实现理论一致性下的 DAG 学习？
• RQ2 在非高斯生物数据上，IGSP 与 k-IGSP 相较于参数化方法（如 GIES）在准确率与鲁棒性方面表现如何？
• RQ3 这些算法在多大程度上能从高通量单细胞与流式细胞术数据中重构出已知的基因调控与蛋白信号传导网络？
• RQ4 不同类型的 CI 检验（高斯 vs. 核）对边选择与网络重构保真度有何影响？
• RQ5 当在特定节点上施加干预时，这些算法是否能在高维设置下可靠识别因果结构？

主要发现

• IGSP 与 k-IGSP 在忠实性假设下实现一致性，是首个在结合观测与干预数据时具备此类理论保证的非参数算法。
• 在 Sachs 等人提出的 perturb-seq 数据集中，采用核 CI 检验（α = 0.0001）的 k-IGSP 成功恢复了 85% 的真实有向边，优于 GIES 及其他参数化方法。
• 在流式细胞术数据集中，算法 2（IGSP 配合核 CI）实现了 80% 的真阳性率与 15% 的假阳性率，在重构已知信号传导通路方面表现出高精度。
• 与 GIES 相比，这些算法在非高斯数据上表现更优，后者因高斯性假设而无法稳定收敛。
• 基于核的 CI 检验在高维、非高斯环境下显著提升了边检测能力，尤其在识别细微调控效应方面表现突出。
• 在所有数据集中，算法均成功识别出已知的生物相互作用，如 RAF → MEK、MEK → ERK 与 AKT → ERK，验证了其生物学相关性。