跳转至

Proxy-Adjusted Causal Discovery from Targeted Interventions

作者: Li Chen, Wei Pan, Xiaotong Shen
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2609.23897

一、领域脉络与小综述

  • 这个方向是什么：本文属于"因果发现（causal discovery）"中一个非常具体且困难的子问题：在存在未测量混杂（unmeasured confounding）的情况下，从靶向干预（targeted interventions）数据中恢复有向无环图（DAG）的直接因果边。其根本困难在于，随机化干预虽然能识别"谁影响谁"（祖先关系），但无法直接区分"直接影响"与"经由中间变量的间接影响"。更棘手的是，当存在未测量的共同原因（如细胞状态）时，即使干预是随机的，条件化中间变量也可能打开"对撞子路径"（collider path），产生虚假关联。该方向当前的状态是：模型驱动的 IV 方法（如 GrIVET）需要强参数假设；非参数代理方法（如 proximal causal inference）多聚焦于单个因果效应的估计而非整个图结构的恢复；而大规模干预数据的图学习方法（如 DCDI、ENCO）通常假设因果充分性（causal sufficiency）。本文试图填补的缺口是：在非参数框架下，利用代理变量（proxy）和靶向干预的联合信息，恢复直接因果边。

  • 发展脉络（history）：

    • 奠基工作：Pearl (2009) 和 Sprites et al. (2001) 建立了因果图和干预的形式语言，但主要针对观测数据或完全随机化实验。PC 算法 (Kalisch and Bühlmann, 2007) 是约束基方法的代表，但依赖因果充分性假设。
    • 干预数据的利用：Peters et al. (2016) 的 invariant prediction 和 Brouillard et al. (2020) 的 DCDI 开始系统利用干预数据提供方向信息，但通常假设无未测量混杂。Lippe et al. (2021) 的 ENCO 进一步提升了可扩展性，但同样受限于此。
    • 代理变量的引入：Miao et al. (2018) 和 Cui et al. (2024) 的 proximal causal inference 框架为利用代理变量处理未测量混杂提供了识别理论，但主要关注单个效应的估计。Xie et al. (2024) 的线性代理选择方法也聚焦于效应估计。
    • 图恢复与混杂并存：Chen et al. (2024) 的 GrIVET 和 Wang et al. (2024) 的 GAMPI 开始在存在未测量混杂时进行图恢复，但依赖高斯或广义线性模型。Kaltenpoth and Vreeken (2023) 的 NOCALIDAC 和 Li et al. (2024) 的 DeFuSE 处理非线性，但分别依赖特定的潜在变量模型或相关高斯误差结构。Park and Li (2026) 的 ARGEN 针对 Perturb-seq 数据，但需要模型化的表达预测器。
    • 本文位置：PABM 试图将 proximal 思想（代理变量）与干预数据结合，并明确将"识别假设"与"估计方法"分离，允许使用灵活的机器学习模型（如梯度提升）来估计条件分布，从而在非参数框架下处理非线性、非加性关系。

  • 子线索聚类：

    1. 基于分数的连续优化方法：Zheng et al. (2018) NOTEARS, Ng et al. (2019) Masked Gradient, Brouillard et al. (2020) DCDI, Lippe et al. (2021) ENCO。这些方法将离散图搜索转化为连续优化，但大多在因果充分性下工作。
    2. 基于 IV / 代理的因果效应估计：Miao et al. (2018), Cui et al. (2024), Xie et al. (2024)。这些方法提供识别条件，但通常不输出完整图结构。
    3. 含隐藏变量的图恢复：Chen et al. (2024) GrIVET, Wang et al. (2024) GAMPI, Kaltenpoth and Vreeken (2023) NOCALIDAC, Li et al. (2024) DeFuSE。这些方法直接处理未测量混杂下的图恢复，但通常依赖特定的参数模型或分布假设。
    4. 大规模干预数据应用：Replogle et al. (2021) 提供了数据基础；Brown et al. (2025) inspre, Park and Li (2026) ARGEN, Han et al. (2025) IBCD 等针对 Perturb-seq 数据开发了专门方法。

  • 这个方向在追问的核心问题：

    1. 可识别性：在何种条件下，未测量混杂存在时，直接因果边是可由观测数据（干预+代理）识别的？本文的答案是"局部、成对的条件分布比较"（Assumption 2）。
    2. 估计与推断：如何从有限样本中估计这些条件分布比较，并控制多重检验的误差？本文给出了有限样本恢复条件和 FWER 控制（Theorem 11, 12）。
    3. 可扩展性：如何将方法扩展到高维（如基因组规模的数千个基因）？本文的复杂度为 O(p²) 次比较，但每次比较的拟合成本可能很高。
    4. 鲁棒性：当代理变量不完美或干预存在脱靶效应时，方法的表现如何？本文通过代理消融实验部分回答了这个问题。

  • ⚠️ 作者的 framing（这是作者的说法）：作者将缺口 frame 成"现有方法要么需要因果充分性，要么需要强参数模型，要么只估计效应不恢复图结构"。因此，PABM 是"显然的下一步"：它结合了干预（提供方向）和代理（处理混杂），并在非参数框架下工作。作者淡化了以下竞争路线：(a) 完全参数化的 IV 方法（如 GrIVET）在模型正确时可能更高效；(b) 纯观测数据的代理方法（如 proximal causal inference）不需要干预设计；(c) 大规模贝叶斯方法（如 IBCD）虽然计算量大但提供了不确定性量化。值得研究者去查的问题：作者在引言中未提及近期关于"干预目标未知"或"软干预"的图发现工作，也未讨论与"因果表示学习"（causal representation learning）的关系——这些可能是被刻意回避的竞争路线。

  • 张力：未见明显对立引用。但存在一个微妙的张力：一方面，作者强调"非参数"框架（不指定函数形式）；另一方面，其理论结果（Theorem 11）依赖于"工作族"（working family）的逼近误差和估计误差的界，这在实践中很难验证。这与纯模型无关的识别结果（如 Theorem 6）之间存在差距——识别是精确的，但估计需要近似。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据

  • 符号：
  • 图与节点：p 个感兴趣的变量 X = (X_1, ..., X_p)，构成 DAG 的节点。pa(r) ⊆ [p] \ {r} 是 X_r 的父节点集合（直接原因）。E 是边集，(j, r) ∈ E 当且仅当 j ∈ pa(r)。
  • 干预：U = (U_1, ..., U_p) 是干预分配向量。U_j 是作用于 X_j 的干预变量（如 CRISPR 指南 RNA 的指示变量）。U_j 是可观测的。
  • 代理变量：W 是记录的协变量和代理变量块（如线粒体基因表达、细胞周期标记）。W_r 是进入 X_r 机制的代理子向量。W 是可观测的。
  • 未测量混杂：H = (H_1, ..., H_q) 是未观测的共同原因（如潜在的细胞状态），影响多个 X 变量。H 是不可观测的。
  • 结构方程：X_r = f_r(X_{pa(r)}, H, U_r, W_r, ε_r)，其中 ε_r 是独立于 (H, U, W) 的噪声。
  • 目标（Estimand）：边集 E，即所有直接因果关系的集合。
  • 核心统计量：
    • Δ^anc_{jr}：祖先增益（Ancestor Gain），衡量干预 U_j 对 X_r 的条件分布的影响（式 2）。
    • Δ^X_{jr}：表达增益（Expression Gain），衡量在控制其他祖先和代理后，X_j 对 X_r 的条件分布的增量影响（式 3）。
    • Δ^U_{jr}：干预增益（Intervention Gain），衡量在控制其他祖先和代理后，U_j 对 X_r 的条件分布的增量影响（式 3）。
    • Ω_{jr}：综合结构证据（式 5），max{Δ^X_{jr}, a^U_{jr}Δ^U_{jr}}，其中 a^U_{jr} 是干预可用性指示。
  • 可观测数据：D_n = {(X_i, U_i, W_i) : i = 1, ..., n}，即 n 个独立同分布的样本，每个样本包含所有感兴趣的变量、干预分配和代理变量。

第二步：最小内核

考虑最简单的非平凡情形：三个变量 X_j → X_r，且存在一个未测量的混杂 H 同时影响 X_j 和 X_r。我们想知道 X_j 是否是 X_r 的直接原因（即 j ∈ pa(r)）。

  1. 祖先筛选（Stage A）：我们有一个随机化的干预 U_j，它只影响 X_j（排除性）。如果 U_j 与 X_r 相关（在控制 W 后），那么 X_j 一定是 X_r 的祖先（j ∈ Anc(r)）。这通过 Δ^anc_{jr} > 0 来判断。这一步是可靠的，因为随机化保证了 U_j ⊥ H | (U_{-j}, W)。

  2. 直接原因识别（Stage B）：现在我们知道 X_j 是 X_r 的祖先，但它可能是直接原因，也可能通过中间变量 M 间接作用（X_j → M → X_r）。为了区分，我们比较两个条件分布：

    • 表达比较：p(X_r | X_{pa(r)\setminus\{j\}}, X_j, W, U_r) vs p(X_r | X_{pa(r)\setminus\{j\}}, W, U_r)。如果 X_j 对 X_r 有直接作用，那么加入 X_j 应该改变 X_r 的条件分布，即 Δ^X_{jr} > 0。
    • 干预比较：类似地，比较 p(X_r | X_{pa(r)\setminus\{j\}}, U_j, W, U_{-j}) vs p(X_r | X_{pa(r)\setminus\{j\}}, W, U_{-j})，即 Δ^U_{jr} > 0。

  3. 核心困难（对撞子偏差）：为什么不能简单地条件化所有其他变量？考虑路径 X_j → M → X_r 和 H → M。如果我们想检验 X_j 是否直接影响 X_r，我们可能会条件化 M（因为它是一个中间变量）。但是，M 是 X_j 和 H 的对撞子（X_j → M ← H）。条件化 M 会打开 X_j 和 H 之间的虚假关联路径，从而使得 X_j 和 X_r 在给定 M 后产生虚假相关。这就是为什么需要"代理变量" W 来"屏蔽" H 的影响：如果 W 足够好地捕捉了 H 的信息，那么条件化 W 可以阻断 H 的路径，从而使得条件独立性的检验有效。

  4. 最小命题：在满足 Assumption 2（即 W 能充分代理 H，且条件独立性成立）的前提下，j ∈ pa(r) 当且仅当 Ω_{jr} > 0。也就是说，一个候选变量是直接原因，当且仅当它在某个条件分布比较中产生了正的增益。这个命题的证明依赖于"联合零假设/备择假设"的结构：非父节点的增益必须为零（由条件独立性保证），而父节点的增益必须为正（由"可检测性"保证）。

这个最小内核展示了本文的核心思想：用干预来建立祖先关系（方向），用代理变量来阻断混杂，用条件分布比较来区分直接与间接效应。整个论文的定理和算法都是这个简单想法的严格化和一般化。

三、这篇论文做了什么

三句话： 1. 研究了什么问题：在存在未测量混杂的情况下，如何从靶向干预数据中非参数地恢复 DAG 的直接因果边。 2. 核心工具 / 方法：提出了一个两阶段框架 PABM：第一阶段用干预变量做祖先筛选（识别候选父节点），第二阶段用"平衡掩蔽"的条件分布比较（表达比较和干预比较）来区分直接父节点和间接祖先，并通过样本分割和多重检验校正控制错误发现。 3. 主要结论：在明确的识别条件下（Assumption 1 和 2），PABM 能够从总体层面正确识别直接因果边；在有限样本下，若满足一定的估计精度和信号强度条件，PABM 能以高概率恢复真实图结构，并控制图级 FWER。模拟和真实数据（K562 Perturb-seq）分析展示了其在实践中的有效性。

关键设定与假设： - 数据生成：X_r = f_r(X_{pa(r)}, H, U_r, W_r, ε_r)，ε_r 独立于 (H, U, W)。这允许高度非线性和非加性的机制。 - Assumption 1 (干预有效性)：(a) 条件外生性：U_j ⊥ H | (U_{-j}, W)；(b) 排除性：U_j 只通过 X_j 影响其他变量；(c) 可检测性：每个祖先都能产生可检测的干预信号（Δ^anc_{jr} > 0）。 - Assumption 2 (代理调整后的非边分离)：对于每个非父节点 j ∉ pa(r)，在控制了其他祖先和代理变量后，X_j（或 U_j）与 X_r 条件独立（即 Δ^X_{jr} = 0 和 Δ^U_{jr} = 0）。这是本文的核心识别假设，它比"无未测量混杂"弱，但比"代理变量完全捕捉混杂"要强——它要求代理变量能在条件分布意义上阻断所有混杂路径。 - 相比已有文献：相比 GrIVET/GAMPI（需要线性或广义线性结构），PAM 不指定函数形式；相比 DCDI/ENCO（假设因果充分性），PABM 允许未测量混杂；相比 proximal causal inference（通常估计单个效应），PABM 输出整个图结构。

主要结果： - Theorem 6 (总体识别)：在 Assumption 1 和 2 下，Ω_{jr} > 0 当且仅当 j ∈ pa(r)。这是整个方法的理论基础，它将图恢复问题转化为一系列条件分布比较问题。 - Theorem 11 (有限样本恢复)：在"精确选择"（exact selection）的假设下，若每个父节点的增益都大于某个阈值（κ^tr_S），且估计误差（B_S）小于该阈值的一半，则 PABM 能以至少 1 - δ_tr - δ_X - δ_U 的概率恢复真实图。这个定理将图恢复的误差分解为三个部分：训练阶段的选择误差（δ_tr）、表达比较的估计误差（δ_X）和干预比较的估计误差（δ_U）。 - Theorem 12 (FWER 控制)：在"有效 p 值"的假设下，对结构族、响应族和一致族分别应用 Holm 校正，能控制图级 FWER。这是对多重比较问题的严格处理。

证明路线与技术技巧： 1. 整体路线： - Step 1：证明祖先筛选的可靠性（Assumption 1 保证 Δ^anc_{jr} = 0 当且仅当 j ∉ Anc(r)）。 - Step 2：在祖先筛选的基础上，证明条件分布比较的"零-正"分离性（Assumption 2 保证非父节点的增益为零，可检测性保证父节点的增益为正）。 - Step 3：将总体层面的分离性转化为有限样本的估计问题，通过控制估计误差（B_S）和信号强度（κ^tr_S）来保证恢复。 - Step 4：通过样本分割和多重检验校正（Holm/BH）来控制错误发现。 2. 关键跳跃点： - 从"祖先"到"父节点"的跳跃：这是最困难的部分。祖先筛选只能告诉我们 j 在 r 的上游，但不能区分直接和间接。作者通过"平衡掩蔽"——即同时调整其他祖先和代理变量——来阻断间接路径，从而将问题转化为条件独立性检验。这个跳跃的难点在于，调整变量本身可能引入对撞子偏差，而 Assumption 2 正是为了确保调整后的条件独立性成立。 - 从"总体"到"有限样本"的跳跃：Theorem 11 需要同时控制估计误差和信号强度。作者通过引入"训练-验证"分割，将模型拟合和假设检验分开，从而避免了过拟合导致的 p 值膨胀。 3. 技术技巧点名： - 条件似然比 / KL 散度：用条件 KL 散度（Δ^X_{jr}, Δ^U_{jr}）作为衡量条件分布差异的度量，这比简单的均值差异更一般，能捕捉方差、形状等分布变化。 - 样本分割（Sample Splitting）：训练集用于选择候选变量和拟合模型，验证集用于计算 p 值，这是保证 p 值有效性的关键。 - 多重检验校正（Holm/Bonferroni）：对多个假设进行校正，控制图级 FWER。 - 平衡掩蔽（Balanced Masking）：在比较中，确保除候选变量外，其他变量的处理方式（包括是否包含在模型中）完全一致，以保证比较的公平性。 - 经验过程 / 集中不等式：用于推导估计误差的界（B_S），这是 Theorem 11 的基础。

真实例子与应用： - 模拟研究：设计了三种机制——线性、非线性加性（cosine）、非加性交互（interaction）——来验证方法在不同数据生成过程中的表现。结果显示 PABM 在 SHD 和 F1 上优于或接近现有方法，且对代理变量质量（噪声水平）的敏感性分析表明，代理信息越准确，性能越好。 - K562 Perturb-seq 数据分析：使用公开的染色体 6 数据（19,251 个细胞，45 个基因），构建了一个候选网络。结果显示 PABM 构建的网络更小、更稀疏，且与 STRING 数据库的已知蛋白互作有相当的吻合度。这个例子想说明：PABM 在真实数据上能产生更保守、更可解释的候选网络，且对代理变量的消融（移除 GEM 指标）会显著改变结果，说明代理信息对控制混杂至关重要。

🔎 结论是否比证明窄： - 是的，存在明显差距。Theorem 6 和 11 的证明依赖于"精确选择"（exact selection）和"有效 p 值"（valid p-values）这两个强假设。但在实际实现中，作者使用的是经验的残差相关筛选和正态近似的 p 值，这些并未在定理中被严格证明。作者在文中也承认："The numerical implementation uses working normal p-values... Establishing the one-sided risk condition and the conditional limit remains specific to the fitting procedure, including the boosting implementation studied here."（第 4.3 节后）。这意味着，理论保证是针对理想化的 oracle 过程，而实际算法是这种过程的启发式近似。此外，Theorem 11 的有限样本界依赖于对估计误差的均匀控制，这在非参数设定下通常需要较强的熵条件或光滑性假设，文中并未给出这些条件的显式验证。

四、开放问题

  1. 估计误差的显式控制：Theorem 11 中的 B_S（估计误差界）依赖于具体估计器的收敛速率。对于梯度提升这类自适应方法，如何给出非渐近的、可验证的误差界？这需要更细致的估计理论分析。
  2. 代理变量充分性的检验：Assumption 2 要求代理变量能完全阻断混杂，但实践中如何检验这一假设？能否发展出类似于"代理外生性检验"或"敏感性分析"的工具，来量化代理不充分时的偏差？
  3. 多重检验的效能优化：Holm 校正虽然控制了 FWER，但可能过于保守，导致检验效能降低。能否利用图结构信息（如层次关系）设计更高效的校正方法？
  4. 扩展到干预目标未知或软干预：本文假设干预目标是已知且精确的。在 Perturb-seq 中，指南 RNA 可能存在脱靶效应，或干预是部分有效的（软干预）。如何将 PABM 扩展到这些更现实的场景？
  5. 与因果表示学习的结合：当观测变量不是基本因果变量（如基因表达是潜在调控网络的投影）时，如何将 PABM 与因果表示学习结合，以恢复潜在层面的因果图？

提示：要确认这些是否是真 gap，建议去读近 2-3 年（2023-2026）关于"干预数据因果发现"、"代理变量因果推断"、"Perturb-seq 网络推断"的顶会/顶刊论文（如 NeurIPS, ICML, JASA, Biometrika）的引言和未来工作部分。如果多个独立团队都在朝同一方向努力，那大概率是共识性的真问题；如果只有零星提及，则可能是尚未被充分开发的空白。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论