不触碰单个神经元，复旦等团队实现复杂系统因果关系精准推断

确定复杂非线性系统中的真实因果关系一直是经验科学面临的根本挑战。近日，由复旦大学林伟教授、中国科学院陈洛南研究员以及东京大学合原一幸（Kazuyuki Aihara）教授领衔的国际研究团队，在学术期刊《The Innovation》上发表了一项名为干涉动力学因果关系（Interventional Dynamical Causality, IntDC）的数学与计算框架。该框架能够仅通过纯被动观察的时间序列数据，推断出干涉水平的因果方向性，成功消除了由隐藏共因混杂因子产生的虚假关联，并在秀丽隐杆线虫（C. elegans）全脑功能连接组重建、疫情传播路径推断以及基因调控网络解析中得到了成功验证。

在实证科学中，验证因果关系的黄金标准一直是进行刻意的物理干预：在保持其他条件不变的情况下对自变量进行干预，并观察目标结果是否发生变化。然而，在绝大多数复杂的真实世界架构中——从混沌的气候系统到人类的活体神经回路，直接的物理干预往往在技术上不可行、经济上成本过高或在伦理上不被允许。因此，研究人员长期以来不得不依赖被动观察的时间序列数据，使用格兰杰因果关系（Granger causality）、转移熵（transfer entropy）或收敛交叉映射（CCM）等预测工具。

然而，这些经典方法测量的是“构造动力学因果关系”，即识别变量X的历史轨迹是否有助于预测变量Y。当未测量的第三个因素（Z）同时驱动这两个变量时，这些方法往往会记录下假阳性的因果箭头，将同步的混杂误认为是真正的功能控制。为了克服这一缺陷，IntDC框架引入了动力学系统中观测依赖性与干涉因果关系的形式化区分。根据朱迪亚·珀尔（Judea Pearl）等现代因果推断的严格标准，只有当对X进行外部干预会在Y中产生可观测的改变时，X才能被指定为Y的真正原因。

为了在不物理干预系统的前提下满足这一标准，研究人员转向了非线性动力学系统理论中的时滞坐标嵌入定理。根据塔肯斯定理（Takens’ theorem），整个耦合动力学系统的多维流形可以从单个观测变量的滞后时间序列历史中重建出来。研究人员推断，如果变量X对变量Y施加了真正的干涉影响，那么Y重建的状态空间流形将不可避免地保留X动态扰动的拓扑印记。

通过定义一种名为干涉嵌入熵（Interventional Embedding Entropy, IEE）的信息论新指标，该框架量化了状态空间之间受干涉信息的定向流动。这使得算法能够在无需预先了解底层微分方程、也无需诱发实验扰动的情况下，直接从被动记录中计算出因果强度。研究团队在耦合Logistic映射、亨农吸引子（Hénon attractors）和混沌循环神经网络等标准计算压力测试中对该框架进行了测试。在共享驱动程序（Z）在没有它们之间直接交互的情况下同步影响X和Y的经典三节点配置中，传统的格兰杰因果关系和信息传输工具系统地生成了虚假的X < Y连接，而IEE则对这些混杂驱动程序表现出完全的抵抗力，正确地拒绝了错误连接。

IntDC框架的实用性在三个不同的真实世界生物学和流行病学领域得到了验证：首先，在全脑连接组学方面，通过将IEE应用于线虫（C. elegans）全脑钙成像时间序列，算法成功重建了功能性神经连接组，确立了个体运动神经元、感觉神经元和中间神经元之间的定向因果信号传导通路。其次，在流行病传播建模方面，利用日本COVID-19大流行波浪中的区域感染记录，该方法识别出了地理传播载体，并精确定位了驱动继发性疫情集群的中心。最后，在昼夜节律基因调控网络方面，通过分析高通量转录组振荡，该工具重建了基因调控回路，分离出了核心昼夜节律起搏器基因的核心反馈机制。

通过将被动时间序列数据转化为可排序、定量的因果强度，IntDC/IEE框架为神经科学、系统生物学和计算医学领域的自动化因果发现奠定了坚实的基础，成功架起了观察与实验验证之间的桥梁。