연속 평형 데이터로 사이클 인과 구조 탐색

**1. 서론** 인과 관계를 데이터로부터 추론하는 문제는 과학 전반에 걸쳐 핵심 과제이다. 특히 생물학에서는 세포 내 신호 전달 경로를 이해하기 위해 ‘관찰 데이터’와 ‘개입 데이터’를 결합해 인과 모델을 구축한다. 기존 연구들은 주로 데이터를 이산화(높음/중간/낮음)한 뒤 베이지안 네트워크와 같은 비순환 모델을 적용했으며, 이는 피드백 루프를 포착하지 못한다는 한계가 있었다. 본 논문은 이러한 한계를 극복하고, 연속형 평형 데이터를 직접 활용하면서 사이클을 허용하는 새로운 방법을 제시한다. **2. 관련 연구** 연속형 데이터에 대한 인과 탐색은 독립성 기반 방법(ICA, LiNGAM 등)과 비선형 구조 방정식 모델이 제안되었지만, 대부분은 비순환을 전제로 한다. 사이클을 다루는 몇몇 방법(예: Schmidt & Murphy 2009, Hyttinen et al. 2012)도 존재하지만, 이들은 주로 이산형 개입 혹은 숨은 변수 모델링에 초점을 맞추어 Sachs 데이터와 같은 복합적인 ‘활동 기반’ 개입을 처리하지 못한다. **3. 모델링 가정** - **데이터 특성**: 각 세포는 하나의 스냅샷을 제공하며, 측정 시점에 평형(홈오스테이시스) 상태에 도달했다고 가정한다. - **구조적 인과 모델(SCM)**: 관측 변수 \(x_i\)는 비선형 함수 \(f_i(\mathbf{x}_{pa(i)},\epsilon_i)\) 로 표현되며, 교란 \(\epsilon_i\)는 독립이고 평균 0, 분산 1인 정규분포(또는 초가우시안)라고 가정한다. - **피드백 허용**: 그래프 \(G\)는 사이클을 포함할 수 있으며, 모든 \(\epsilon\)에 대해 유일한 해 \(\mathbf{x}(\epsilon)\) 가 존재하도록 제한한다(고유해 존재 가정). **4. 개입 모델링** 전통적인 ‘완전 개입(do(x_i=ξ))’은 변수 자체의 값을 고정한다. 그러나 Sachs 실험에서는 화합물의 **활동**을 조절해 그 화합물이 다른 변수에 미치는 영향을 바꾼다. 저자들은 이를 다음과 같이 모델링한다: - **활동 개입**이 발생하면, 해당 변수의 **자식 노드**에 대한 인과 메커니즘 \(f_j\) 가 새로운 함수 \(\tilde f_j\) 로 교체된다. - 이 교체는 파라미터 수준에서 새로운 선형화 파라미터 \((B^{(c)},\mu^{(c)},\alpha^{(c)})\) 로 나타난다. - 개입이 ‘양적(abundance) 변화’인 경우는 기존의 완전 개입과 동일하게 구조 방정식 자체를 교체한다. **5. 비선형 메커니즘의 국부 선형화** 각 실험 조건 \(c\) 에 대해 평균 입력 \(\bar{\mathbf{x}}_{pa(i)}^{(c)}\) 주변에서 1차 테일러 전개를 수행한다. \