5月26日，中國科學(xué)院分子細(xì)胞科學(xué)卓越創(chuàng)新中心(生物化學(xué)與細(xì)胞生物學(xué)研究所)陳洛南研究組與復(fù)旦大學(xué)、蘇州大學(xué)、日本東京大學(xué)等團(tuán)隊共同合作，提出了數(shù)據(jù)驅(qū)動的因果網(wǎng)絡(luò)辨識的新型算法。該方法可以用于大規(guī)模復(fù)雜動力系統(tǒng)內(nèi)蘊(yùn)因果網(wǎng)絡(luò)的復(fù)現(xiàn)，有助于解析實際系統(tǒng)演化的本質(zhì)機(jī)制和規(guī)律。研究成果“Partial cross mapping eliminates indirect causal influences”(偏交叉映射排除間接因果影響)在線發(fā)表于國際學(xué)術(shù)期刊Nature Communications上。
因果關(guān)系是自然界現(xiàn)象之間最普遍和最基本的聯(lián)系。在生命科學(xué)、物理學(xué)、地理學(xué)等各個自然科學(xué)領(lǐng)域乃至哲學(xué)、經(jīng)濟(jì)學(xué)等社會科學(xué)中，發(fā)現(xiàn)內(nèi)蘊(yùn)的因果關(guān)系、因果網(wǎng)絡(luò)可以反映系統(tǒng)演化的核心互作機(jī)制，具有重要的科學(xué)意義。因此，如何在只基于觀測數(shù)據(jù)，并且在復(fù)雜系統(tǒng)精確模型缺失的前提下，準(zhǔn)確地辨識系統(tǒng)變量之間的因果關(guān)系和因果網(wǎng)絡(luò)，成為了包括人工智能在內(nèi)的科學(xué)研究中的焦點問題，受到生命科學(xué)、醫(yī)學(xué)、物理學(xué)、經(jīng)濟(jì)學(xué)等學(xué)者們的廣泛關(guān)注。
傳統(tǒng)基于統(tǒng)計學(xué)和信息論的因果分析方法，如格蘭杰因果關(guān)系、傳遞熵等方法，需要變量因素之間具有可分性條件，即需要將原因信息從結(jié)果信息中分離出來。然而在現(xiàn)實世界中，特別是非線性復(fù)雜動力系統(tǒng)所產(chǎn)生的多維度時間序列中，這樣的可分性條件無法得到滿足，因果機(jī)制往往交織在同一個時間序列之中。另一方面，由于因果關(guān)系在多變量之間的傳遞性，而直接因果關(guān)系才能反映現(xiàn)象之間本質(zhì)的內(nèi)在機(jī)制，因此發(fā)展有效可靠算法，區(qū)分復(fù)雜動力系統(tǒng)中的直接與間接因果，也成為了重要科學(xué)問題。面向這些問題，本項研究利用動力系統(tǒng)理論清晰闡明了可分性條件的嚴(yán)格數(shù)學(xué)機(jī)理，并綜合利用相空間重構(gòu)、交叉映射、偏相關(guān)系數(shù)等動力學(xué)與統(tǒng)計學(xué)相關(guān)算法，建立了新型偏交叉映射方法PCM，實現(xiàn)了非線性動力系統(tǒng)中直接因果與間接因果的區(qū)分，從而為在大規(guī)模數(shù)據(jù)中辨識可信的因果網(wǎng)絡(luò)提供了可靠算法。該算法已被用于生態(tài)系統(tǒng)、環(huán)境與疾病互作系統(tǒng)以及基因調(diào)控網(wǎng)絡(luò)等多個實際問題中，成功復(fù)現(xiàn)了這些復(fù)雜動力學(xué)演化系統(tǒng)的內(nèi)蘊(yùn)因果網(wǎng)絡(luò)，為進(jìn)一步理解系統(tǒng)演化的基本機(jī)制提供了方法學(xué)基礎(chǔ)。
此項研究進(jìn)一步完善了現(xiàn)有復(fù)雜系統(tǒng)因果分析的理論體系，為多學(xué)科共性科學(xué)問題提供了有效的數(shù)學(xué)方法，面向數(shù)據(jù)驅(qū)動的研究領(lǐng)域具有廣泛的應(yīng)用前景，體現(xiàn)了應(yīng)用數(shù)學(xué)研究的價值。陳洛南研究員與復(fù)旦大學(xué)林偉教授、東京大學(xué)合原一幸教授是論文共同通訊作者，冷思陽博士為論文第一作者，蘇州大學(xué)馬歡飛教授為共同作者。本項研究得到了國家重點研發(fā)計劃、國家自然科學(xué)基金委、中科院先導(dǎo)、上海市科委項目的支持。
