在探索自然系统的根本机制的过程中，准确识别因果相互作用至关重要。利用尖端技术在时间序列数据收集方面的进步，计算方法已成为推断因果关系的强大工具。

然而，现有的无模型方法很难区分广义同步性和因果关系，从而导致错误的预测。另一方面，基于模型的方法虽然准确，但因其对特定模型的依赖而受到限制，阻碍了其广泛适用性。

为了应对这些挑战，基础科学研究所 (IBS) 生物医学数学小组的一组研究人员开发了一种名为通用颂推理 (GOBI) 的计算包。这种创新工具通过为一般单调 ODE(常微分方程)模型引入易于测试的条件来重现时间序列数据，克服了无模型和基于模型的推理方法的局限性。该工作发表在《自然通讯》杂志上。

GOBI 的首席研究员 Kim Jae Kyoung 博士解释说：“我们的目标是创建一种准确且广泛适用的推理方法，可以深入了解复杂的动力系统。我们认识到现有方法的局限性，并开始开发一种解决方案这可以克服这些挑战。”

GOBI 超越了传统无模型方法(例如格兰杰因果关系)的能力，成功地推断了分子和群体水平上各种网络中的正向和负向调节。与之前的版本不同，即使存在噪声时间序列数据，GOBI 也可以区分直接因果关系和间接因果关系。

所开发的方法(GOBI)与现有的无模型方法(GC：格兰杰因果关系;CCM：收敛交叉映射;PCM：部分交叉映射)之间的因果推理结果的比较。(a)当组合两个不相关的时间序列数据时捕食者-捕食者系统(P 和 D)和细胞内蛋白质相互作用系统(σ^28 和 TetR)，当时间序列数据同步时，现有的方法(例如 GC 和 CCM)往往会错误地推断几乎所有组件之间的因果关系。然而，GOBI 只准确地推断出实际存在的因果关系。(b) 时间序列数据显示了香港因心血管疾病入院的人数和空气污染物浓度。与其他方法论不同，GOBI 正确地识别出只有二氧化氮 (NO2) 和可吸入悬浮颗粒物 (Rspar) 对心血管疾病有影响，无论使用数据的时间长短(两年或三年)。图片来源：基础科学研究所

该论文的第一作者 Park Seho 表示：“GOBI 的优势在于它能够推断几乎任何具有正向和负向调节的单调系统所描述的系统中的因果关系，正如一般单调 ODE 模型所捕获的那样。通过消除依赖性在特定模型选择上，GOBI 显着扩展了复杂系统中推理方法的范围。”

除了强大的推理能力外，GOBI 还提供用户友好的功能，简化计算过程。研究人员设计的软件包可供广泛的用户使用，包括那些没有广泛计算专业知识的用户。通过GOBI，科学家和研究人员可以更深入地了解基因调控网络、生态系统，甚至了解空气污染对心血管疾病的影响。

研究人员通过从同步时间序列数据中成功推断因果关系，验证了 GOBI 的有效性，而流行的无模型方法在这方面却举步维艰。通过在各种场景中提供准确可靠的推理，GOBI 为更全面地理解复杂动态系统铺平了道路。

凭借其突破性的能力，GOBI 有望彻底改变计算因果推理领域，使研究人员能够解开隐藏在复杂系统中的秘密。随着科学界接受这一强大的工具，我们可以预见生物学、生态学和流行病学等各个领域将取得前所未有的进步。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：数据时间模型