IC2: interventional dynamical causality under latent confounders

Paper: Yan, J., Zhang, S.-W., Shi, J., Zhang, C., & Chen, L. (2026). IC2: interventional dynamical causality under latent confounders. Journal of the Royal Society Interface, 23(240), 20251289. Publisher

Abstract: 인과 추론에서 관측(observational)과 개입(interventional)은 다른 층위다. 개입 효과를 알려면 보통 무작위 배정, 유전자 녹아웃, 약물 처치 같은 실제 조작이 필요한데, 임상이나 생태처럼 조작이 불가능하거나 비윤리적인 영역에서는 관측 시계열이 유일한 자료다. IC2는 이 상황에서 개입 수준의 인과를 추정하겠다고 주장한다. 핵심 장치는 두 가지다. 첫째, 원래 시계열 공간 대신 Takens 지연 임베딩 공간으로 문제를 옮겨 비선형 동역학의 비분리성을 우회한다. 둘째, 임베딩 다양체 위에서 한 상태의 이웃을 그 상태의 "섭동된 상태"로 간주하고, 교차사상(cross mapping)으로 대응 이웃을 찾아 개입 데이터를 구성한다. 그 위에서 관측 데이터와 구성된 개입 데이터 각각에 직교 분해 정리를 적용해 공통 부분공간과 사적 부분공간으로 나누고, 두 개의 인과 지표 CIC와 iCIC를 만든다. 저자 보고 기준으로 32개 인과 구조 벤치마크에서 AUC 0.91, 플랑크톤 먹이망 AUROC 0.938, 홍콩 대기오염–심혈관질환 AUROC 0.864, 단일세포 CRISPR 섭동 예측 AUC 0.843을 기록했다. 다만 이 논문에서 "개입 데이터"는 실제로 개입해서 얻은 자료가 아니라 관측 다양체의 이웃으로 만든 대리물이며, 그 대리가 언제 성립하는지가 이 방법의 성패를 가르는 지점이다.

---

핵심 요약

항목	설명
연구 질문	개입 실험 없이, 잠재 교란자가 있는 비선형 동역학계의 관측 시계열만으로 개입 수준의 인과와 그 크기를 추정할 수 있는가?
이론적 해법	지연 임베딩 공간에서 관측 데이터와 개입 데이터 각각에 직교 분해 정리를 적용하는 이중 직교 분해(dual orthogonal decomposition). 개입 데이터 쪽이 정리 1이다.
계산적 해법	교차사상 이웃으로 \delta X_{t-1}, \delta Y_t를 구성하고, 두 벌의 VAE로 공통·사적 잠재 부분공간을 분리해 CIC_{x\to y}와 iCIC_{x\to y}를 계산한다.
대표 결과	저자 보고 기준 32구조 AUC 0.91, Lorenz63 녹아웃 대비 상관 r=0.975(정답 라벨)·r=0.925(KLD), 플랑크톤 AUROC 0.938, 대기오염–CVD AUROC 0.864, 피질 발생 scPerturb-seq AUC 0.843, HAR scPerturb-seq AUC 0.783.
해석의 경계	"개입 데이터"는 구성된 대리물이고, 검증에 쓰인 "참 개입 효과"는 노드 녹아웃 후 분포의 KL 발산이다. 둘 다 직접 효과가 아니라 계 전체를 통과한 효과를 담을 수 있다.

목차

1. 이 논문이 주장하는 것과 주장하지 않는 것
2. 문제 설정: 개입 동역학 인과의 정의와 가정
3. 왜 지연 임베딩 공간으로 옮기는가
4. 구성된 개입 데이터: 교차사상 이웃이라는 대리물
5. 이중 직교 분해 정리
6. 두 개의 인과 지표와 판정 규칙
7. VAE 구현과 네 개의 손실항
8. 합성계 벤치마크
9. 실데이터 네 종
10. 구성된 개입 데이터의 지위를 어떻게 볼 것인가
11. 평가 설계에 관한 검토
12. 한계와 후속 과제
13. 결론

---

1. 이 논문이 주장하는 것과 주장하지 않는 것

이 논문의 제목에 있는 두 단어, interventional과 latent confounders는 각각 다른 계보를 겨냥한다. 논문 스스로 서론에서 기존 연구를 두 갈래로 나눈다.

첫째는 횡단면 자료를 다루는 통계적 계보다. Splawa-Neyman의 평균 처치 효과에서 시작해 Pearl의 do-calculus가 유향 비순환 그래프 위에서 개입량을 절단된 마르코프 분해나 뒷문 조정 공식으로 유도하는 흐름이다. 최근 방법으로는 관측과 섭동 환경을 함께 써서 인과 구조의 신뢰 확률을 구하는 ICP, 독립적인 엣지 우도에 대한 최적화로 DAG를 학습하지만 모든 변수에 개입이 필요한 ENCO, 가우시안 비선형 저계수 구조방정식으로 대규모 구조를 찾고 보지 못한 개입을 예측하는 DCD-FG가 언급된다. 논문의 진단은 간단하다. 이들은 모두 추가 실험에서 나온 개입 자료를 요구하며, 생물학처럼 그 실험이 불가능한 영역에서는 쓸 수 없다.

둘째는 동역학적 계보다. Granger 인과와 전달 엔트로피(transfer entropy)는 예측 기반·정보이론 기반으로 갈리지만, 논문은 두 계열이 공통으로 비선형 동역학의 비분리성 문제를 겪는다고 본다. 계의 구성 요소들이 서로 얽혀 있어 한 성분의 동역학을 다른 성분에서 떼어낼 수 없다는 뜻이다. 이 문제를 겨냥해 Takens 임베딩에 기반한 CCM, PCM, RCM과 그 확장인 CME, CMC, EE가 제안됐다. 논문은 이들이 간접 링크, 비선형 상호작용, 그리고 무엇보다 보이지 않는 교란자 앞에서 어려움을 겪는다고 정리한다.

세 번째로, 개입 신호를 동역학 모형에 넣으려는 시도들이 언급된다. 성분을 체계적으로 섭동해 구조를 추론하는 PCI, 알려진 표적에 하드 개입을 가하는 CAnDOIT, 원 시스템의 신경망 복제본을 만들어 디지털 트윈에서 개입을 관찰하는 IRC, 개입량을 시너지·중복·고유 성분으로 분해하는 MACE가 그것이다. 논문은 이들이 여전히 외부의 모의 개입 조작이나 do-calculus를 요구한다고 본다. 또한 대부분의 기존 방법이 미관측 교란자가 없다는 인과 충분성(causal sufficiency)을 가정하는데, 이는 복잡한 생물계에서 자주 깨진다고 지적한다.

가장 가까운 선행 연구는 저자들이 직접 언급하는 IntDC 프레임워크와 그 정량 기준인 개입 임베딩 엔트로피(IEE)다. IEE는 순수 관측 시계열에서 IntDC를 추정한다는 점에서 IC2와 목표가 같다. 논문이 밝히는 IEE의 한계는 짝지어진 두 변수만으로는 간접 인과 링크를 제거할 수 없고, 조건부 판본으로 확장하려면 제3의 변수 z가 관측 가능해야 한다는 점이다. IC2는 바로 이 지점, 즉 z가 관측되지 않아도 직접 개입 인과를 가려내는 것을 목표로 삼는다.

정리하면 이 논문이 주장하는 바는 다음과 같다. 두 변수 x, y의 관측 시계열만으로 (i) x에서 y로의 개입 인과 유무를 판정하고, (ii) 그 개입 효과의 크기를 반영하는 값을 내놓으며, (iii) 간접 인과와 잠재 교란자에 의한 허위 링크를 직접 인과와 구분한다. 주장하지 않는 바도 분명하다. 논문은 조절의 부호(상향인지 하향인지)를 판정하지 못하고, 시간 지연 인과만 다루므로 동시적 인과 효과는 범위 밖이며, 개입이 관측된 상태 분포를 크게 벗어나면 성능이 손상될 수 있다고 스스로 적는다.

원논문 Figure 1. (A) 개입이 불가능한 계에서 관측 자료만으로 개입 인과를 드러내려는 동기와, 원공간 대비 임베딩 공간의 문제 재구성. (B) 지연 임베딩 공간에서의 개입 데이터 구성. (C) 관측 데이터와 개입 데이터 각각에 대한 직교 분해 정리. (D) 이중 VAE로 구현한 계산 프레임워크와 두 인과 지표. (E) 참 개입 효과 추정, 생물 네트워크 재구성, 단일세포 CRISPR 섭동 효과 예측이라는 세 갈래 응용. 원논문은 CC BY 4.0으로 공개돼 있으며, 학술적 비평을 위해 원본을 직접 인용했다. 출처: Yan et al. (2026), Figure 1.

2. 문제 설정: 개입 동역학 인과의 정의와 가정

논문은 n개 변수를 가진 이산 동역학계에서 출발한다.

여기서 f=[f_1,\dots,f_n]^T는 비선형 함수 벡터다. 두 관측 변수 x, y와 하나의 잠재 변수(또는 벡터) w를 가진 경우를 다음과 같이 쓴다.

원공간에서의 개입 동역학 인과는 이렇게 정의된다. 시간 [t-p,,t] 구간에서 어떤 k\ge 1에 대해

에 의존하면 x에서 y로 IntDC가 있다고 한다. \tilde{x}_{t-k}는 개입된 x의 동역학, \tilde{y}_t는 개입 이후 영향을 받은 y의 동역학이다.

이 정의를 그대로 쓰려면 관측 자료 (x_t, y_t)와 개입 자료 (\tilde{x}_{t-k}, \tilde{y}_t)가 모두 필요하다. 논문이 지적하는 두 개의 장벽이 여기서 나온다. 하나는 비선형 동역학계에서 성분들이 분리되지 않는다는 것이고, 다른 하나는 생물학 섭동 실험의 비용과 윤리적 제약이다.

가정은 짧게 서술된다. 시간적 선행성(예: x_{t-1}\to y_t)과, 관측 상태가 컴팩트 다양체 위에 놓인 결정론적 계라는 것이다. 자세한 가정과 한계는 보충자료 §1.3으로 넘긴다. 이 배치를 눈여겨볼 필요가 있다. 이 방법의 정당성을 지탱하는 가정 전체가 본문이 아니라 보충자료에 있고, 본문에는 두 줄로 요약돼 있다.

3. 왜 지연 임베딩 공간으로 옮기는가

Takens 지연 임베딩 정리에 따라 원 상태공간 (x, y)에서 지연 임베딩 공간 (X, Y)를 만든다.

여기서 p > 2d이고 d는 계의 상자 세기 차원(box-counting dimension)으로, 논문은 보통 작다고 적는다.

공간을 옮기는 이유는 두 가지다. 첫째, 비분리성 문제의 우회다. 지연 벡터 하나하나가 원 계의 한 상태를 재구성한 것이므로, 얽혀 있는 성분들을 억지로 떼어내지 않고도 상태 수준에서 다룰 수 있다. 둘째, 그리고 이 논문에서 결정적인 이유는, 개입하지 않은 계에서 개입 데이터를 추정할 길이 여기서 열린다는 것이다.

원공간의 개입 동역학 (\delta x_{t-k},\ \delta y_t)를 임베딩 공간의 (\delta X_{t-k},\ \delta Y_t)로 옮기고, 이후 서술은 k=1로 고정한다.

무한소 개입 아래에서 다음 관계가 유도된다.

즉 x에서 y로 IntDC가 있으면 Y_t와 \delta Y_t가 \delta X_{t-1}을 재구성할 수 있다. 여기서 방향에 주의할 필요가 있다. 예측 기반 방법이 원인에서 결과를 예측하는 데 비해, IC2는 결과 변수에서 원인 변수로 상태공간을 되짚어 재구성한다. 논문은 이 차이를 Granger 인과와 대비되는 자기 방법의 특징으로 명시한다.

임베딩 공간에서의 정의는 다음과 같다. 시간 지연 길이가 p \ge 2d를 만족하고 개입이 충분히 작을 때, 매끄러운 사영 연산자 \delta X_{t-1} = \nabla_Y F(Y_t),\delta Y_t가 존재하면 x에서 y로 IntDC가 있다고 한다.

4. 구성된 개입 데이터: 교차사상 이웃이라는 대리물

이 논문에서 가장 중요한 조작은 여기다. Takens 정리에 따르면 임베딩 자료의 각 점은 원 계의 한 상태다. 그러면 그 상태 주변의 이웃점은 그 상태가 조금 섭동된 상태, 즉 잠재적인 개입 상태로 볼 수 있다는 것이 논문의 논리다.

구체적으로는 수렴 교차사상(CCM)을 써서, Y의 다양체 M_Y에서 Y_t의 이웃

을 잡고, 그에 대응하는 X 다양체 위의 교차사상 이웃

을 찾는다. 그러면 X^k_{t-1}은 X_{t-1}의 개입된 상태로, Y^k_t는 \delta X^k_{t-1}에 의해 섭동된 Y_t의 대응 상태로 간주된다. Figure 1B가 이 조작을 그림으로 보여 준다. Y_{t_k}의 시간 라벨 t_k를 X_{t-1}의 다양체로 옮겨 대응점을 잡고, 개입량과 섭동량을 각각

로 정의한다. 이렇게 만든 벡터들을 모아

로 쓰고, 재구성 관계를 조건부 형태로 정리한다.

논문은 이 절차를 "비개입 계에서 다양체 위의 개입 데이터를 추정하는 것"이라고 표현하며, 결론에서도 IC2의 결정적 특징으로 이 구성을 꼽는다. 서론에서는 더 정확한 표현을 쓴다. 교차사상 이웃에서 얻은 구성된 개입 데이터는 비용이 크거나 실행 불가능한 실험의 대리물(surrogate) 이라는 것이다. 이 표현이 이 논문을 읽는 기준선이 되어야 한다. 10절에서 다시 다룬다.

5. 이중 직교 분해 정리

재구성 관계 \delta X_{t-1} = F'(\delta Y_t\mid Y_t)를 계산으로 옮기기 위해 논문은 \delta X_{t-1}과 \delta Y_t를 각각 직교 분해한다.

여기서 \delta z_{xy}는 두 변수의 공유 공간이고, \delta z_x와 \delta z_y는 각자의 사적 공간이다. \delta z_{xy}가 \delta X_{t-1}의 정보를 전부 담으면, 즉 |\delta z_x| = 0이면 \delta Y_t가 \delta X_{t-1}의 완전한 정보를 갖는 것이고, 따라서 Y_t 조건 아래 \delta Y_t로 \delta X_{t-1}을 재구성할 수 있다.

정리 1(개입 동역학 인과에 대한 직교 분해 정리). 적절한 단사 비선형 분해 사상 G_{\delta x}: R^n \to R^m, G_{\delta y}: R^n \to R^m이 존재해 임베딩 벡터를 위와 같이 직교 분해할 수 있고, \delta z_x,\ \delta z_{xy},\ \delta z_y \in R^{m/2}이다. 판정 기준은 두 가지다.

증명은 보충자료 §1.2에 있다.

여기까지가 개입 데이터 쪽 정리다. "이중"이라는 말이 붙는 이유는 관측 데이터 쪽에 대응하는 정리가 따로 있기 때문이다. 관측 데이터 (X_{t-1}, Y_t)에 대한 직교 분해 정리는 보충자료의 정리 S1이며, 이는 저자들의 선행 연구인 동역학 인과에 대한 직교 분해에서 온다. 본문에서 IC2의 새로움은 개입 데이터 쪽 정리 1과, 두 정리를 결합해 잠재 교란자 아래에서 직접 개입 인과를 판정하는 방식이다.

결합 규칙은 비고 1로 제시된다. 관측 데이터 분해 G_x(X_{t-1}) = [z_x; z_{xy}], G_y(Y_t) = [z_y; z_{xy}]와 개입 데이터 분해를 함께 놓고 세 가지 기준을 세운다.

• 기준 1(개입 인과). \delta X_{t-1} = F(\delta z_{xy})이고 X_{t-1} = F'(z_{xy})이면 x에서 y로 개입 동역학 인과가 있다.
• 기준 2(개입 인과 아님). \delta X_{t-1} \neq F(\delta z_{xy})이면 개입 인과가 없다. 이때 두 경우로 갈린다. X_{t-1} = F'(z_{xy})이면 비개입적 인과가 있는 것이고, X_{t-1} \neq F'(z_{xy})이면 인과가 없는 것이다.
• 기준 3(교란자가 있는 비인과). X_{t-1} \neq F'(z_{xy})이고 |z_{xy}| \neq 0이면 x는 y의 원인이 아니면서 둘 사이에 교란자가 있으며, 그 교란자는 z_{xy}로 정량화된다.

이 세 기준의 구조가 이 방법의 논리적 핵심이다. 관측 수준의 분해만으로는 인과와 교란을 구분할 수 있어도 개입 효과를 말할 수 없고, 개입 수준의 분해만으로는 직접성을 확보할 수 있어도 교란자 존재를 진단할 수 없다. 두 층을 겹쳐야 네 가지 상태(직접 개입 인과, 비개입적 인과, 무인과, 교란)가 분리된다.

6. 두 개의 인과 지표와 판정 규칙

비고 2는 두 지표를 정의한다.

앞의 것이 관측 수준, 뒤의 것이 개입 수준 지표다. 판정 규칙은 다음과 같다.

• CIC_{x\to y}\to 1이고 iCIC_{x\to y}\to 1이면 개입 동역학 인과가 있다.
• CIC_{x\to y}\to 1이고 iCIC_{x\to y}\in[0,1)이면 비개입적 동역학 인과가 있다.
• CIC_{x\to y}\to 0이면 인과가 없다.
• CIC_{x\to y}\in(0,1)이면 x와 y의 교란자가 있다.

계산 단계에서는 같은 지표가 다른 형태로 다시 쓰인다. \hat{X}^{z_{xy}}{t-1}을 공통 잠재공간으로 재구성한 X{t-1}, \hat{X}^{z_x}{t-1}을 사적 잠재 벡터로 재구성한 X{t-1}이라 할 때

두 형태는 같은 조건에서 1로 간다. 노름 형태는 사적 성분의 크기가 0일 때, 재구성 오차 형태는 공통 성분만으로도 재구성이 완벽할 때 1이 된다. 정의는 노름비로, 구현은 재구성 오차비로 제시한 셈이다. 다만 방법 절에서 두 식을 소개하며 붙인 참조는 지표를 정의한 비고 2가 아니라 판정 기준을 담은 비고 1이다.

실제 판정에는 두 개의 고정 문턱값이 쓰인다. 논문은 실데이터의 잡음과 교란 때문에 지표가 대체로 0과 1 사이에 놓이므로 강건성을 위해 0.25와 0.75를 선택했다고 적는다. 문턱값 선택 기준과 다른 설정의 효과는 보충자료 §1.6에 있다. Figure 1E의 판정 도해에도 상단 문턱 M과 하단 문턱 m이 직접 인과, 간접 인과, 교란, 무인과의 네 구간을 나누는 형태로 그려져 있다.

7. VAE 구현과 네 개의 손실항

이중 직교 분해는 두 벌의 VAE로 구현된다. 관측 데이터 (X_{t-1}, Y_t)와 개입 데이터 (\delta X_{t-1}, \delta Y_t)에 같은 절차를 따로 적용하며, 어느 쪽이든 입력을 X_{in}, Y_{in}으로 통칭한다. 시간적 선행성 때문에 x의 임베딩 시점이 y보다 앞서야 하며, 지연 l은 보통 1로 둔다.

전체 손실은 네 항의 가중합이다.

L_{ELBO}는 우도항과 KL 발산항으로 이뤄지며, 재구성 품질을 유지하고 잠재공간의 연속성을 강제한다.

두 인코더 E_x, E_y는 MLP로 잠재변수 z_1, z_2의 분포를 만들고, 대각 사후 공분산 행렬을 통해 z_x와 z^x_{xy}가 X_{in} 조건 아래 조건부 독립이 되도록 한다. 논문은 VAE 구조가 대각 사후 공분산 덕분에 야코비의 열 직교성을 확보해 국소적 직교성을 지향한다고 설명한다.

L_{ortho}는 코사인 유사도 기반의 직교 손실이다.

L_{equal}은 X_{in}과 Y_{in}에서 각각 학습된 공통 잠재공간이 같아지도록 강제한다.

L_{regul}은 KL 발산의 정규화 효과가 사후분포를 과도하게 매끄럽게 만드는 것을 막기 위해 도입된 인과 제약이다. 정보 병목에서 착안했으며, 공통 잠재공간만으로 X_{in}을 얼마나 잘 재구성하는지를 본다.

논문은 L_{regul}과 L_{equal}이 서로 균형을 잡는 두 힘으로 작동한다고 설명한다. 전자는 z_{xy}가 X_{in}에 대한 정보를 최대화하도록 밀고, 후자는 z_{xy} 안의 사적 정보를 최소화하도록 민다. 참고로 Figure 1D의 도해에서는 이 직교 손실이 \mathcal{L}{diff}로, 잠재 성분이 s로 표기돼 본문의 L{ortho}, z 표기와 다르다.

학습 설정은 이렇다. Adam 옵티마이저, 학습률 1e-3, 미니배치 128. 10겹 교차검증과 전체 자료의 50·60·70·80·90%를 훈련집합으로 쓰는 실험으로 평가했다. 하이퍼파라미터는 \alpha = 0.35, \beta = 0.001, \gamma_1 \in [0.05, 0.15], \gamma_2 \in [0.16, 0.36], \lambda \in [0.1, 0.3]에서 골랐고, 임베딩 차원 d_e \in {6,12,18,24,36}, 은닉공간 차원 d_z \in {6,12,18,24}, 은닉층 파라미터 d_h \in {16,32,64,128}, 에폭 {50,100,150,200}을 모든 데이터셋에 대해 탐색했다.

8. 합성계 벤치마크

비교 대상은 GC, TE, CCM, CME, CMC, PCM, DCME, DCMC의 여덟 가지 동역학적 인과 추론 방법이다. 평가는 AUC/ROC, 정확도, 정밀도를 쓰고, 추가로 KL 발산으로 정량화한 참 개입 효과 KLD_{x\to y}와 비교한다.

8.1 32개 인과 구조

세 노드 로지스틱 동역학을 쓴다.

결합 계수 조합을 바꿔 32개 네트워크 모티프를 만든다. 직접 인과, 간접 인과, 교란자 효과, 인과 사슬, 인과 루프, fan-in, cascading 구조가 포함된다. 사례 1–16이 직접 인과가 있는 경우(\beta_{xy}=0.35), 17–32가 비인과 경우(\beta_{xy}=0)다. z는 미관측 노드로 취급되어 iCIC_{x\to y} 계산에 쓰이지 않으며, 사례 26, 28, 30, 32에서는 잠재 교란자가 된다.

결과는 저자 보고 기준 14개 인과 사례와 16개 비인과 사례를 맞혔고, 사례 6과 그 cascading 구조를 놓쳤다. 논문은 이를 자료의 확률적 잡음 탓으로 추정하며, 모든 비교 방법이 사례 6에서 실패했다고 덧붙인다. GC는 비분리성이나 약한 결합을 가진 변수에 명백히 부적합하며 오식별이 11건이라고 적는다. CCM과 PCM은 사례 32처럼 잠재 교란자가 만든 허위 인과를 구분하지 못한다.

원논문 Figure 2. (A) 32개 인과 구조. 위 16개는 \beta_{xy}=0.35인 인과 사례, 아래 16개는 \beta_{xy}=0인 비인과 사례다. (B) IC2, GC, CCM, PCM의 혼동행렬과 각 방법에 적용된 문턱값. (C) 네 방법의 성능 비교. 원논문은 CC BY 4.0으로 공개돼 있으며, 학술적 비평을 위해 원본을 직접 인용했다. 출처: Yan et al. (2026), Figure 2.

본문은 IC2의 AUC를 0.91로 적고, 이 값이 65% 분위수를 문턱으로 삼아 얻어졌다고 밝힌다. 문턱값의 서술은 절마다 조금 다르다. 결과 절에서는 "각 방법의 최대 인과 강도의 65% 분위수"라고 쓰고, 방법 절에서는 "모든 인과 강도의 65% 분위수"라고 쓴다. Figure 2B의 패널 제목에 찍힌 실제 문턱값은 IC2 0.75, GC 0.17, CCM 0.74, PCM 0.56으로 방법마다 다르다. 한편 Figure 2C 위쪽 막대그래프는 "AUC"라는 제목 아래 IC2 0.94, GC 0.59, CCM 0.72, PCM 0.69를 표시하는데, 이 네 값은 Figure 2B 각 패널 제목에 적힌 정확도 값과 정확히 같고, 같은 패널 아래쪽 선그래프의 정확도 곡선은 IC2에서 0.9 부근을 지난다. 본문의 0.91과 그림의 0.94는 서로 다른 값이며, 그림 안에서도 AUC와 정확도의 표기가 뒤섞여 있다. 혼동행렬 자체는 IC2가 비인과 16건을 전부 맞히고 인과 16건 중 14건을 맞혔음을, GC가 인과 16건 중 3건만 맞혔음을 보여 준다. 본문이 GC의 오식별을 11건으로 적은 것과 혼동행렬에서 어긋난 칸의 수는 일치하지 않는다.

8.2 여덟 종 로지스틱 모형

간접 인과와 교란 효과에서 직접 인과를 가려내기 위해 여덟 종이 연결된 로지스틱 모형을 쓴다. 각 종은 x_i(t) = x_i(t-1)[r_i - r_i x_i(t-1) - 0.35,x_j(t-1)] + \epsilon_{i,t} 꼴이며, 고유 성장률은 순서대로 3.9, 3.5, 3.62, 3.75, 3.65, 3.72, 3.57, 3.68이고 결합 계수는 모두 0.35이다. 정답 구조에는 직접 링크(x_1\to x_3, x_2\to x_3, x_2\to x_4), 간접 링크(x_1\to x_3\to x_6 등), 교란자 효과(x_3\leftarrow x_2\to x_4, x_5\leftarrow x_3\to x_6, x_7\leftarrow x_6\to x_8), fan-in 구조(x_1\to x_3\leftarrow x_2)가 섞여 있다.

저자 보고에 따르면 인과 사슬 구조에서 직접 링크의 IC2 값은 최종적으로 0.75 위에서 안정되고 간접 링크는 모두 0.75 아래에 머문다. Fan-in 구조에서는 비인과 사례 x_1 \nrightarrow x_2를 오식별 없이 판정했고(iCIC \to 0.2), 직접 인과 x_1\to x_3(iCIC \to 1)과 x_2\to x_3(iCIC \to 0.82)를 식별했다. 교란 사례에서는 직접 링크가 0.75를 넘고 교란에 의한 허위 링크가 모두 0.75 아래로 내려갔다.

원논문 Figure 3. (A) 여덟 노드 로지스틱계의 사슬·fan-out·fan-in 구조. (B) 결합 강도를 바꿔 가며 본 직접 인과 추론 결과이며 빨간 점선이 문턱값 0.75다. (C) 아홉 노드 Henon 사슬의 정답 구조. (D) IC2가 재구성한 개입 인과 효과. (E) 사슬 구조에서 방법별 AUROC. (F) 노드 1에서 다른 노드로, 노드 7에서 다른 노드로, 다른 노드에서 노드 9로 향하는 IC2 점수. 원논문은 CC BY 4.0으로 공개돼 있으며, 학술적 비평을 위해 원본을 직접 인용했다. 출처: Yan et al. (2026), Figure 3.

Figure 3B의 세 번째 패널을 보면 iCIC_{x_2\to x_3} 곡선은 결합 강도 구간 대부분에서 0.75 아래에 있고, 0.82에 이르는 것은 결합 강도가 가장 큰 구간에서다. 본문이 쓴 화살표 표기 iCIC \to 0.82는 결합 강도가 커질 때의 수렴값을 뜻하는 것으로 읽어야 하며, 임의의 결합 강도에서 이 링크가 문턱을 넘는다는 뜻은 아니다.

8.3 Henon 사슬

아홉 개 노드가 각각 다음 노드의 동역학적 원인이 되는 사슬 구조를 만든다. 저자 보고에 따르면 정답의 모든 인과 링크가 검출됐고 허위 링크는 없었다. Figure 3E의 상자그림에서 이 방법의 AUROC 분포가 가장 높고, TE가 그다음이다.

인과 사슬을 따라 개입 정보가 전달되는지도 확인한다. 노드 1에서 노드 2를 거쳐 다른 노드로 갈수록 IC2 점수가 뚜렷이 감소하고, 노드 7에서는 노드 1–6으로 거의 영향이 없다가 직접 링크인 노드 8에서 크게 오르고 간접 링크인 노드 9에서 다시 내려간다. 다른 노드들에서 노드 9로 향하는 값이 뚜렷이 증가하는 것도 개입 효과 강도를 정량화할 수 있다는 근거로 제시된다.

8.4 In silico 녹아웃

개입 인과 자체를 검증하기 위해 여덟 종 로지스틱 모형과 Lorenz 계에서 노드 녹아웃 실험을 한다. 결합 Lorenz63 계는 다음과 같다.

m=3, 결합 강도 a=0.5이며 세 부분계로 이뤄진 9차원 계다. 12개 인과 구조를 만들어 각 경우에 노드 x를 녹아웃하고 개입 효과 KLD_{x\to y}를 계산한 뒤, 개입하지 않은 시계열로 계산한 iCIC_{x\to y}와 비교한다.

원논문 Figure 4. (A) 세 노드 결합 Lorenz63 계의 12개 인과 구조와 각각의 KLD_{x\to y}·iCIC_{x\to y}. (B) 정답 라벨 및 KLD 기반 개입 효과와의 일치도, 그리고 Bland–Altman 분석. (C) 다섯 인과 위상에서 각 노드를 녹아웃한 결과. (D) 여덟 노드 로지스틱계의 녹아웃 실험. 원논문은 CC BY 4.0으로 공개돼 있으며, 학술적 비평을 위해 원본을 직접 인용했다. 출처: Yan et al. (2026), Figure 4.

본문은 정답과 r=0.975, KLD 기반 개입 효과와 r=0.925의 일치를 보고한다. Figure 4B의 패널 제목에는 각각 Pearson r = 0.976, r = 0.926으로 적혀 있어 소수 셋째 자리에서 본문과 다르다. 회귀선은 y=0.95x+0.01이다. 여덟 노드 로지스틱계에서는 종을 차례로 제거해 개입 효과를 계산했고, 정답의 일곱 개 인과 링크를 위양성 없이 식별했으며 KLD로 정량화한 효과 강도와의 상관은 0.77이다.

Figure 4A의 개별 사례를 보면 KLD와 iCIC가 어떤 관계인지 좀 더 분명해진다. 직접 링크 x\to y에서는 KLD=1.00, iCIC=0.98로 둘 다 높다. x와 y가 연결되지 않은 경우에는 KLD=0.01, iCIC=0.22다. 그런데 순수 교란 구조(z\to x, z\to y)에서는 KLD=0.39, iCIC=0.35이고, 간접 사슬(x\to z\to y)에서는 KLD=0.14, iCIC=0.03이다. x가 y의 원인이 아닌 구조에서도 x를 제거하면 y의 분포가 적지 않게 달라진다는 뜻이다. 이 점은 11절에서 다시 본다.

8.5 시변 인과 메커니즘

결합 계수 \beta(t)가 시간에 따라 변하는 비정상 자료를 세 로지스틱계에서 합성한다. 구조는 x\to y, x\nrightarrow y, 교란자가 있는 x \nrightarrow y의 세 가지이고, \beta(t)의 변화 양상은 구간 전환(piecewise-switching), 정현파, 선형 표류의 세 가지다. 연속된 시간창에 IC2를 적용해 인과 지수의 시간 변화를 추적한다.

원논문 Figure 5. (A–C) 구간 전환·정현파·선형 표류 세 메커니즘에서의 \beta_{xy}(t). (D) 정상계와 비정상계에서의 x, y, z 시계열. (E) 세 인과 구조. (F–H) 각 구조와 각 시변 메커니즘에서 슬라이딩 윈도별 IC2 지수. 원논문은 CC BY 4.0으로 공개돼 있으며, 학술적 비평을 위해 원본을 직접 인용했다. 출처: Yan et al. (2026), Figure 5.

저자 보고에 따르면 슬라이딩 윈도 방식으로 세 시변 메커니즘 모두에서 인과 링크와 비인과 사례를 올바로 추론했고 잠재 교란자에 의한 허위 링크를 제거했다. 그림에서 확인되는 것은 판정의 안정성이다. 인과 구조에서 IC2 지수는 다섯 윈도 내내 0.75 위에, 비인과 구조에서는 0.25 부근에, 교란 구조에서는 그 사이에 머문다.

다만 본문은 "윈도 사이의 유의한 변화가 인과 메커니즘의 변화를 가리킨다"고 서술하는데, 그림이 보여 주는 것은 그 반대에 가깝다. 구간 전환 설정에서 \beta_{xy}(t)는 0.30에서 0.03까지 계단식으로 떨어지고 선형 표류 설정에서는 0.30에서 0에 도달하지만, 대응하는 IC2 지수는 다섯 윈도에서 모두 0.9 안팎을 유지한다. 즉 이 실험이 실증하는 것은 결합 강도가 크게 변해도 인과 링크 판정이 뒤집히지 않는다는 안정성이지, 지수가 인과 강도의 시간 변화를 따라간다는 추적 능력이 아니다. 실험에 쓰인 시계열 길이가 총 15,000 시점, 윈도당 3,000 시점이라는 점도 함께 볼 필요가 있다.

9. 실데이터 네 종

9.1 플랑크톤 먹이망

발트해에서 분리한 포식자–피식자 종으로 8년간 수행한 메소코즘 실험의 진동 개체군 자료다. 식물플랑크톤의 피코시아노박테리아와 나노편모조류, 초식성 동물플랑크톤의 윤충류와 요각류라는 두 쌍의 진동을 다루며, 먹이망에 영향을 주는 미관측 요인으로 박테리아와 영양염이 있다. 각 시계열을 3차 에르미트 보간으로 처리하고 추세를 제거해 794개 시점을 얻었다.

저자 보고에 따르면 IC2는 참 종간 상호작용을 모두 복원했다. 나노편모조류에서 윤충류·요각류로, 피코시아노박테리아에서 윤충류·요각류로 가는 링크다. 다만 식물플랑크톤에서 나노편모조류로 가는 오류 링크가 하나 나왔고, 논문은 실데이터의 잡음 탓으로 추정한다. 교란 사례도 식별해 윤충류–요각류 0.48, 요각류–나노편모조류 0.38, 윤충류–피코시아노박테리아 0.48, 나노편모조류–피코시아노박테리아 0.48의 값을 부여했으며, 이들의 교란자는 모두 미관측 영양염이다. 먹이사슬 자료에서의 AUROC는 0.938로 보고된다.

9.2 홍콩 대기오염과 심혈관질환

1994–1997년 홍콩의 대기오염 물질 농도와 심혈관질환 입원 시계열이다. NO₂, SO₂, O₃, 호흡성 부유입자(RSP) 네 오염물질 모두와 입원 사이에 유의한 연관이 보고된 자료이며, 원 문헌에서 조사된 관계를 통합해 정답 네트워크로 삼았다.

저자 보고에 따르면 IC2는 여덟 개의 인과 상호작용을 복원했고, 특히 CVD의 원인 변수로 RSP, NO₂, SO₂를 찾아냈다. 원 연구에는 없지만 IC2가 찾은 링크로 SO₂→O₃와 O₃→NO₂가 있는데, 논문은 각각 SO₂ 산화로 생성된 황산염 에어로졸이 광분해율을 낮춰 O₃ 생성을 억제한다는 기제와, O₃가 적정 반응으로 NO를 NO₂로 산화한다는 기제로 설명한다. 이웃 크기(즉 개입 크기)를 달리하며 비교한 결과 AUROC는 0.864로 보고된다.

원논문 Figure 6. (A) 플랑크톤 먹이망의 참 구조와 IC2의 인과 식별. (B) 방법별 AUROC 산점도. (C) 홍콩 대기오염–CVD의 위상 구조와 IC2 추론 결과. (D) 이웃 크기를 달리한 방법별 AUC 상자그림. (E) DREAM4 Net1–Net3의 정답 구조. (F) 방법별 ROC 곡선. 원논문은 CC BY 4.0으로 공개돼 있으며, 학술적 비평을 위해 원본을 직접 인용했다. 출처: Yan et al. (2026), Figure 6.

여기서 그림과 본문의 대응에 어긋남이 있다. 본문과 그림 설명은 Figure 6B를 먹이사슬 자료의 방법별 성능(IC2 AUROC 0.938)으로, Figure 6D를 대기오염–CVD 자료의 성능(IC2 AUROC 0.864)으로 지목한다. 그런데 실제 패널 B의 그래프 제목은 "Performance on Air Pollution and CVDs System"이고, 세로축 상한이 0.9이며 IC2 점은 0.86 부근에 찍혀 있다. 0.938은 이 축 범위 안에 들어오지도 않는다. 즉 본문이 먹이사슬 결과라고 지시한 패널이 실제로는 대기오염 자료의 결과를 담고 있고, 먹이사슬 AUROC 0.938을 그림에서 직접 확인할 수 있는 지점은 없다.

9.3 DREAM4 유전자 조절 네트워크

DREAM4 in silico 네트워크 챌린지의 유전자 발현 자료를 쓴다. 각 네트워크마다 105개 시점의 시계열 다섯 벌이 제공되고 정답 네트워크도 함께 주어진다. 열 노드 네트워크 다섯 개에 대해 여덟 개 기존 방법과 비교했고, 저자 보고에 따르면 모든 네트워크에서 더 높은 AUC를 얻었다. Figure 6F의 범례에 표시된 값은 Net1 0.880, Net2 0.840, Net3 0.775이며, 같은 그림에서 두 번째로 높은 방법은 각각 DCMC 0.730, DCMC 0.742, DCME 0.670이다.

9.4 단일세포 CRISPR 섭동 두 종

첫 번째는 뇌 피질 발생의 대규모 in vivo Perturb-seq 자료다. 품질 관리 후 50,075개 세포와 32,285개 유전자가 있고, Foxg1·Nr2f1·Tbr1·Tcf4 네 전사인자로 섭동된 세포가 각각 5,890, 5,271, 4,703, 6,237개, 비표적 대조군이 2,202개다. gRNA 신뢰도 l_{ij}>0.8인 세포 26,630개를 걸러 썼고, 뇌 피질 발생 및 말초신경계 관련 1,306개 유전자(네 전사인자 포함)를 대상으로 참조 네트워크를 구성했다.

IC2는 대조군 세포 자료만으로 네 전사인자에서 신경계 발생 관련 15개 유전자로 가는 섭동 효과를 예측했고, 이를 섭동 세포와 비표적 대조 세포 사이의 차등발현 분석과 비교했다. 저자 보고 AUC는 0.843이다. 세포 유형별로는 Foxg1의 섭동 효과가 흥분성 0.91, Cajal-Retzius 0.72, 억제성 0.80, VLMC 0.77, 미세아교세포 0.82, 성상세포 0.81, 희소돌기아교세포 0.82, 내피세포 0.82로 보고되며, 흥분성 세포에서 가장 크다.

원논문 Figure 7. (A) IC2가 추론한 개입 인과 효과. (B) 섭동 세포 대 비표적 대조 세포의 차등발현 유전자. (C) 섭동 반응 유전자 예측에서 방법별 ROC. (D) 50,075개 세포의 UMAP과 Foxg1 섭동 시의 인과 네트워크. (E) 신경세포 아형별 섭동 효과. (F) 유전자 온톨로지 농축 분석으로 본 전사인자별 기능 효과. 원논문은 CC BY 4.0으로 공개돼 있으며, 학술적 비평을 위해 원본을 직접 인용했다. 출처: Yan et al. (2026), Figure 7.

두 번째는 인간 가속 영역(HAR)의 조절 기능을 다루는 신경전구세포 운명 전이 Perturb-seq 자료다. 품질 관리를 통과한 세포가 85,247개, 유전자가 19,698개이고, 180개 HAR을 표적하는 370개 sgRNA와 6개 스크램블 대조가 있다. 단일 HAR 섭동 신뢰도가 높은 세포 50,193개에 집중했고, 신경전구세포 발생 관련 742개 유전자(151개 HAR 표적 유전자 포함)를 분석했다. 게놈에서 서로 가깝지 않고 표적 유전자를 공유하지 않는 12개 HAR의 조절 기능을 다뤘으며, 섭동 반응 유전자 예측의 저자 보고 AUC는 0.783이다. 12개 HAR의 국소 인과 네트워크에 대한 유전자 온톨로지 농축 결과는 원 연구가 식별한 공발현 모듈들과 부합한다고 보고된다.

두 자료 모두에서 참조 네트워크는 Wilcoxon 순위합 검정으로 얻은 차등발현 유전자(p\le0.01, FDR \le0.015)와 KL 발산으로 유의한 개입 효과를 보인 유전자로 구성된다.

10. 구성된 개입 데이터의 지위를 어떻게 볼 것인가

이 논문의 성패는 결국 하나의 질문에 달려 있다. 교차사상 이웃을 개입의 대리로 삼는 것이 언제 정당한가.

논문의 논거는 Takens 정리에서 나온다. 임베딩 다양체 위의 각 점이 계의 한 상태를 재구성한 것이라면, 이웃점은 그 상태가 조금 다른 상태이므로 섭동된 상태로 볼 수 있다. 정리 1이 요구하는 조건도 이와 맞물린다. 시간 지연 길이가 p\ge 2d를 만족하고 개입이 충분히 작아야 한다. 논문 자신도 논의 절에서 이 조건을 한계로 되돌려 말한다. 개입이 관측된 상태 분포를 크게 벗어나거나 임베딩 차원·이웃 수 같은 조건을 위반하면 성능이 손상될 수 있다는 것이다.

이 논거의 구조를 정확히 보면 다음과 같다. 성립하는 것은 "관측된 궤적 위의 이웃 상태들 사이의 차이"이고, 개입으로 해석되는 것은 그 차이다. 그런데 실험적 개입에서 얻는 것은 계를 외부에서 밀어 궤도를 바꾼 뒤의 새 궤적이다. 두 대상이 일치하려면 최소한 다음 조건들이 필요하다.

첫째, 개입이 무한소여야 한다. 유도식 \delta X_{t-1} = \nabla_Y F(Y_t),\delta Y_t는 야코비를 통한 1차 근사다. 이웃 반경이 클수록 근사가 깨지고, 작을수록 잡음 대비 신호가 나빠진다. 논문은 이 절충을 이웃 크기, 즉 개입 크기의 문제로 인식하고 있으며, 대기오염 자료에서 여러 이웃 크기에 걸쳐 성능을 보고한 것도 그 때문으로 읽힌다. 다만 이웃 크기와 근사 오차의 관계를 이론적으로 한정하는 서술은 본문에 없다.

둘째, 이웃 상태가 관측된 흡인자 위에 있어야 한다. 이는 원리적 제약이다. 다양체 위의 이웃으로 구성된 개입은 정의상 계가 이미 방문한 영역 안에서만 정의된다. 따라서 이 방법이 추정하는 것은 "계가 자연히 겪는 요동의 범위 안에서의 반응"이지, 유전자 완전 녹아웃처럼 계를 흡인자 밖으로 밀어내는 개입의 효과가 아니다. 그런데 검증에 쓰인 참조 자료는 정확히 후자다. 노드 녹아웃과 CRISPR 억제는 무한소 섭동이 아니다. 논문이 보고한 높은 상관은 이 두 층위가 실제로 잘 대응한다는 경험적 증거이지, 대응해야 할 이유의 증명은 아니다. 그리고 이 대응은 검증 가능한 계에서만 확인됐으므로, 대응이 깨지는 영역을 사전에 판별할 방법은 제시되지 않는다.

셋째, 결정론적이고 컴팩트한 다양체 가정이 유지돼야 한다. 이는 Takens 계열 방법 전체가 공유하는 조건이며 IC2에 고유한 문제는 아니다. 다만 이 논문은 잡음항 \epsilon이 들어간 확률적 로지스틱계를 벤치마크로 쓰고, 유전자 발현 같은 본질적으로 확률적인 자료에 적용한다. 벤치마크에서 놓친 사례 6을 논문 스스로 "자료의 확률적 잡음" 탓으로 돌린 것도 이 긴장을 보여 준다. 결정론 가정과 실제 적용 대상 사이의 간격이 성능 저하로 나타나는 지점이 어디인지는 열려 있다.

이 세 조건을 함께 놓으면, IC2가 추정하는 양의 정확한 이름은 "관측 다양체의 국소 요동에 대한 반응의 방향성"에 가깝다. 이것이 개입 효과와 상관을 갖는다는 것은 이 논문이 여러 계에서 보여 준 실질적 성과다. 하지만 논문의 표현대로 "실험적 개입이 불가능한 곳에서 개입 효과를 추정한다"고 읽을 때는, 추정 대상이 실험자가 가할 개입이 아니라 계가 스스로 겪는 요동이라는 점이 함께 따라와야 한다.

11. 평가 설계에 관한 검토

11.1 KLD를 참 개입 효과로 쓰는 것

논문은 노드 녹아웃 전후 분포의 KL 발산

를 참 개입 효과로 삼는다. 여기서 p(y)는 개입하지 않은 표본에서 y의 분포, p(y^x)는 변수 x를 제거한 표본에서 y의 분포다.

이 양은 노드 x를 계에서 제거했을 때 y의 주변분포가 얼마나 달라지는가를 잰다. 문제는 이것이 x\to y의 직접 효과가 아니라 계 전체를 통과한 총효과라는 점이다. Figure 4A가 이를 직접 보여 준다. z\to x, z\to y인 순수 교란 구조에서 x를 제거하면 KLD_{x\to y}=0.39가 나온다. x에서 y로 가는 경로가 없는데도 값이 0이 아닌 이유는, 결합 Lorenz63에서 노드 제거가 결합항을 통해 나머지 부분계의 동역학까지 바꾸기 때문이다. 간접 사슬 x\to z\to y에서도 KLD=0.14가 나온다.

여기서 두 개의 서로 다른 목표가 겹친다. IC2는 직접 인과를 간접 인과와 구분하는 것을 목표로 하고(그래서 이 두 사례의 iCIC는 각각 0.35와 0.03으로 낮다), 검증 기준인 KLD는 총효과를 잰다. 두 양의 상관이 높다는 것은 검증에 쓰인 12개 구조에서 총효과가 대체로 직접 효과에 지배됐다는 뜻이지, 두 양이 같은 것을 잰다는 뜻은 아니다. 논문이 보고한 r=0.925는 이 조건부에서 읽어야 한다. 아울러 단일세포 자료에서는 같은 KLD가 참조 네트워크를 만드는 데도 쓰이므로, 평가 기준과 정답 구성 방식이 같은 통계량을 공유한다.

11.2 문턱값 선택

문턱값은 두 곳에서 다르게 정해진다. 벤치마크 비교에서는 각 방법의 인과 강도 분포의 65% 분위수를 문턱으로 삼고, 알고리즘 서술에서는 0.25와 0.75를 고정값으로 쓴다.

65% 분위수 규칙은 방법마다 다른 절대 문턱을 만든다. Figure 2B가 보여 주듯 IC2에는 0.75가, GC에는 0.17이, CCM에는 0.74가, PCM에는 0.56이 적용됐다. 이 규칙에는 양성으로 판정할 링크의 비율을 자료가 아니라 규칙이 정한다는 성격이 있다. 각 방법의 점수 분포 형태가 다르므로 같은 분위수가 방법마다 다른 엄격도로 작동할 수 있으며, 논문은 이 선택이 선행 연구의 관례를 따른 것이라고 밝힌다. 0.55에서 1까지의 문턱값을 시험했다는 서술이 있고 상세는 보충자료 §1.6에 있으므로 민감도 자체가 검토되지 않은 것은 아니다. 다만 본문에 실린 대표 수치는 하나의 규칙 아래 계산된 값이다.

고정 문턱 0.25와 0.75의 근거는 본문에서 "실데이터의 잡음과 교란 때문에 지표가 대체로 0과 1 사이에 놓이므로 강건성을 위해"라는 한 문장뿐이다. 이 값은 여덟 종 로지스틱, 시변 실험, 그리고 사실상 모든 정성적 판정에 쓰인다. 계나 자료 길이에 따라 지표 분포가 달라진다면 같은 절대 문턱이 계마다 다른 유의수준에 대응하게 된다.

11.3 벤치마크의 구성

정량 비교에 쓰인 벤치마크는 32구조 로지스틱, 여덟 종 로지스틱, Henon 사슬, 결합 Lorenz63, 시변 로지스틱이다. 앞의 넷은 이 계열 문헌에서 널리 쓰이는 표준 계지만, 결합 구조·계수·잡음 수준은 이 논문이 설계한 것이다. 자기 설계 합성계에서는 어떤 구조가 포함되고 어떤 구조가 빠지는지가 결과를 좌우한다. 32구조 실험은 세 노드에서 가능한 x\to y 관련 사례를 망라했다는 점에서 이 문제를 상당히 완화하지만, 노드가 셋이고 결합 계수가 하나의 값(0.35)으로 고정된 설계라는 제약은 남는다.

외부 벤치마크는 DREAM4 하나다. 이것이 유일하게 이 논문 바깥에서 정답이 정의된 정량 비교 대상이며, 열 노드 네트워크 다섯 개, 시계열 길이 105로 규모가 작다.

11.4 실데이터 정답의 성격

플랑크톤과 대기오염 자료의 정답 네트워크는 실험적으로 확립된 인과 구조가 아니라 문헌에서 보고된 관계를 정리한 것이다. 대기오염의 경우 원 연구는 오염물질 농도와 입원 사이의 유의한 연관을 보고한 시계열 역학 연구이며, 논문은 그 관계들을 통합해 정답으로 삼는다고 명시한다. 즉 정답 자체가 관측 연구에서 나온 연관이다.

이 구성에서는 두 가지가 겹친다. 하나는 정답이 불완전하다는 점이다. 실제로 IC2가 찾은 SO₂→O₃와 O₃→NO₂는 정답에 없어 형식상 위양성으로 계산되지만 논문은 이를 확립된 대기화학 기제로 옹호한다. 이 옹호가 타당하다면 AUROC 0.864는 실제 성능을 과소평가한 값이 되고, 반대로 같은 논리를 다른 위양성에도 적용하면 평가 자체가 사후 해석에 열리게 된다. 다른 하나는 순환의 위험이다. 관측 연구에서 얻은 연관을 정답으로 삼아 관측 자료 기반 방법을 평가하면, 이 평가가 검증하는 것은 개입 인과의 회복이라기보다 문헌의 연관 구조와의 일치도에 가까워진다. 단일세포 자료에서는 정답이 실제 CRISPR 섭동 실험에서 오므로 이 문제가 없고, 이 점에서 두 scPerturb-seq 실험이 이 논문에서 가장 강한 검증 자료다.

11.5 비교군 선정

정량 비교에 등장하는 방법은 GC, TE, CCM, CME, CMC, PCM, DCME, DCMC의 여덟 개이고 32구조 실험에서는 이 중 GC, CCM, PCM만 쓰인다. 서론에서 길게 논한 통계적 계보(ICP, ENCO, DCD-FG)는 어느 비교에도 나오지 않는다.

논문 자신의 논거는 명시적이다. RCT, do-calculus, 그리고 ICP·ENCO·DCD-FG 같은 관련 프레임워크는 추가 실험에서 얻은 관측 자료와 개입 자료를 모두 요구하며, 생물계처럼 그것이 불가능하거나 윤리적으로 문제가 되는 실제 환경에서는 쓸 수 없다는 것이다. ENCO에 대해서는 모든 변수에 개입이 필요하다는 점을 따로 짚는다. 순수 관측 자료라는 입력 조건에서 실행조차 불가능한 방법을 같은 표에 올릴 수 없다는 논리이며, 이 자체는 타당하다.

그럼에도 이 논거에는 세 가지 빈틈이 있다.

첫째, 검증에 쓰인 자료 중 일부에는 개입 자료가 실제로 존재한다. Lorenz63과 여덟 종 로지스틱의 녹아웃, 그리고 두 CRISPR 자료가 그렇다. 이 자료들에서는 개입 자료를 쓰는 방법을 상한 기준으로 돌려 볼 수 있다. IC2가 관측 자료만으로 개입 자료를 쓰는 방법에 얼마나 근접하는가는 이 논문의 주장에서 가장 자연스러운 질문인데, 그 비교가 없다.

둘째, DCD-FG는 보지 못한 개입을 예측한다고 논문 스스로 소개한다. 일부 개입을 훈련에, 나머지를 평가에 쓰는 설계라면 이 방법과의 비교가 가능하다.

셋째, 그리고 가장 중요하게, 가장 가까운 선행 방법들이 빠져 있다. 순수 관측 시계열에서 IntDC를 추정한다는 목표를 공유하는 IEE, 사전 네트워크 지식 없이 개입 직접 인과를 추론하는 KOCMI, 디지털 트윈에서 개입을 관찰하는 IRC, 그리고 개입량을 분해하는 MACE는 모두 서론에서 소개되지만 결과 절에는 한 번도 등장하지 않는다. 특히 IEE는 IC2의 직접적 선행이며 입력 조건도 같으므로 비교를 막는 구조적 이유가 없다. 그 결과 실제로 검증된 명제는 "IC2가 관측 수준 연관을 재는 동역학적 방법들보다 낫다"에 머물고, "IC2가 개입 인과를 겨냥한 기존 방법들보다 낫다"는 정량적으로 뒷받침되지 않는다.

여기에 하나를 더하면, 저자들의 선행 연구인 관측 데이터 직교 분해(정리 S1, 즉 CIC)와 이 논문이 더한 개입 데이터 직교 분해(정리 1, 즉 iCIC)를 분리해 기여를 재는 실험도 본문에 없다. 논문 전체에서 절제(ablation)라는 용어는 한 번도 쓰이지 않으며, 보충자료 목차에도 절제 실험 항목은 없다. 문턱값(§1.6), 잡음·결합 강도·시계열 길이에 대한 강건성(§1.7), 모델 파라미터(§1.9)는 다뤄지지만, 이중 분해의 두 절반 중 어느 쪽이 성능을 만드는지는 확인할 수 없다. 대부분의 정량 결과가 iCIC 하나로 보고되는 만큼, CIC만 썼을 때와의 비교는 이 방법의 핵심 주장을 직접 시험하는 실험이 됐을 것이다.

11.6 규모와 계산 비용

IC2는 변수 쌍 단위로 작동한다. 순서쌍 (x, y)마다 관측 데이터와 개입 데이터에 대해 각각 인코더·디코더 쌍을 학습해야 하므로, n개 노드 네트워크를 재구성하려면 n(n-1)개 쌍에 대해 두 벌씩의 변분 모형을 학습하게 된다. 열 노드 DREAM4에서는 문제가 되지 않지만, HAR 실험처럼 151개 표적 유전자에서 나머지 591개 유전자로 가는 효과를 다루면 쌍의 수는 수만 단위가 된다.

논문은 이 비용을 보고하지 않는다. 서론에서 변분 추론 알고리즘이 확장성과 해석 가능성을 함께 제공한다고 적지만, 학습 시간, 하드웨어, 계산 복잡도, 노드 수에 따른 실행 시간 증가에 대한 서술은 본문 어디에도 없다. 쌍 단위 설계가 잠재 교란자 처리를 가능하게 하는 바로 그 선택이라는 점을 생각하면, 이 설계가 감당하는 규모의 상한을 보고하는 것이 방법의 적용 범위를 판단하는 데 필요하다.

11.7 재현성

자료와 코드 가용성 문구는 다음과 같다. 학습·시험·응용에 쓰인 모든 자료는 공개 데이터베이스에서 얻었으며, 신경전구세포 운명 전이와 피질 발생 Perturb-seq 자료는 GEO 등록번호 GSE270828과 GSE249416으로 이용할 수 있다. 분석 코드와 벤치마크 자료는 결과 재현을 돕기 위해 https://github.com/JinlingY/IC2 와 https://doi.org/10.5281/zenodo.20050595 에 공개돼 있다.

코드와 벤치마크 자료가 함께 공개되고 Zenodo DOI로 버전이 고정된 점은 이 계열 논문에서 충실한 편이다. 다만 이 리뷰의 모든 수치는 저자 보고이며, 독립적으로 재실행해 확인한 값이 아니다. 보고된 값 대부분이 단일 실행값이고 반복 실행의 분산이나 신뢰구간이 제시되지 않는다는 점도 함께 봐야 한다. Figure 3E와 Figure 6D는 상자그림으로 분포를 보여 주지만, 본문에 인용되는 대표 수치들(0.91, 0.938, 0.864, 0.843, 0.783)은 점추정치다.

12. 한계와 후속 과제

12.1 논문 근거에서 확인되는 경계

논문이 논의 절에서 직접 밝힌 한계는 세 가지다.

• 유전자 사이의 조절 효과를 인과 수준에서 식별하지만 조절의 부호, 즉 상향인지 하향인지는 판정하지 못한다.
• 방법의 유효성이 핵심 가정에 의존한다. IC2는 계의 동역학을 보존하는 작고 물리적으로 허용 가능한 개입을 통해 개입 효과를 추정하므로, 개입이 관측된 상태 분포를 크게 벗어나거나 임베딩 차원·이웃 수 같은 지연 임베딩 조건을 위반하면 성능이 손상될 수 있다.
• 시간적 선행성 가정에 의존하므로 시간 지연 인과를 대상으로 하며, 동시적 인과 효과는 현재 모형 범위 밖이다.

여기에 논문의 서술과 그림에서 직접 확인되는 경계를 더할 수 있다.

• 32구조 벤치마크에서 사례 6과 그 cascading 구조를 놓쳤고, 논문은 이를 확률적 잡음 탓으로 추정한다. 비교 대상 방법들도 모두 이 사례에서 실패했으므로 IC2에 고유한 실패는 아니지만, 어떤 성질의 구조가 이 계열 방법 전체를 어렵게 만드는지는 규명되지 않았다.
• 플랑크톤 먹이망 재구성에서 오류 링크가 하나 나왔고, 논문은 실데이터 잡음을 원인으로 든다.
• 가정에 관한 상세, 문턱값 선택 기준, 강건성 분석, 파라미터 영향은 모두 보충자료에 있다. 본문만으로는 이 방법이 언제 성립하는지를 판단하기 어렵다.

12.2 실험 설정에서 도출되는 해석상 경계

다음 항목은 논문이 명시적으로 입증하거나 부정한 것이 아니라, 공개된 설정과 보고 범위에서 직접 따라 나오는 해석의 경계다.

첫째, "개입"이라는 말의 지시 대상을 좁혀 읽어야 한다. 이 방법이 다루는 개입은 관측 다양체 위 이웃 상태 사이의 차이이며, 정리 1은 개입이 충분히 작다는 조건 아래 성립한다. 반면 검증에 쓰인 참 개입은 노드 제거와 CRISPR 억제라는 큰 개입이다. 보고된 높은 상관은 검증된 계에서 두 층위가 대응했다는 경험적 사실이며, 새로운 계에서 대응이 성립할지를 사전에 판별하는 기준은 제시되지 않았다.

둘째, 시변 실험은 추적이 아니라 안정성을 보인다. Figure 5에서 결합 계수가 0.30에서 0에 가깝게 변하는 동안 IC2 지수는 0.9 부근에서 거의 움직이지 않는다. 인과 링크 판정이 결합 강도 변화에 뒤집히지 않는다는 것은 유용한 성질이지만, 지수의 변화로 인과 메커니즘의 변화를 읽을 수 있다는 서술까지 뒷받침하지는 않는다. 지수와 실제 인과 강도의 단조 대응을 보이려면 결합 계수를 고정한 여러 수준에서 지수의 분포를 비교하는 실험이 필요하다.

셋째, 이중 분해의 두 절반이 각각 얼마나 기여하는지 알 수 없다. 관측 데이터 분해는 저자들의 선행 연구에서 왔고 개입 데이터 분해가 이 논문의 이론적 신규성인데, 둘을 분리한 비교가 없다. 특히 잠재 교란자 판정은 CIC가 담당하고 직접성 판정은 iCIC가 담당하는 구조이므로, 교란자가 있는 사례에서 CIC만으로 얼마나 갈 수 있었는지를 보이는 실험은 이 논문의 주장을 직접 시험한다.

넷째, 계산 비용이 적용 범위를 실질적으로 제한할 수 있다. 쌍 단위 학습 설계에서 노드 수에 대한 제곱 규모의 학습이 필요하지만 비용 보고가 없다. 어느 규모까지 실행 가능한지가 명시되면 이 방법을 쓸 수 있는 문제의 범위가 분명해진다.

다섯째, 불확실성 보고가 필요하다. 인과 그래프를 내놓는 방법에서는 각 엣지에 대한 신뢰도가 점추정치만큼 중요하다. 특히 0.25와 0.75라는 고정 문턱 근처의 값들이 어떤 안정성을 갖는지, 재실행이나 자료 부분표본에서 판정이 뒤집히는 빈도가 얼마인지가 함께 보고되면 문턱값의 임의성 문제도 상당 부분 완화된다.

여섯째, 본문 수치와 그림 사이의 불일치가 여러 곳에 있다. 32구조 AUC(본문 0.91, 그림 0.94), Lorenz63 상관(본문 0.975/0.925, 그림 0.976/0.926), GC 오식별 건수, 그리고 Figure 6B가 지시하는 자료가 그렇다. 개별 항목은 사소하지만, 대표 수치를 인용할 때는 본문 값을 기준으로 삼고 그림과 다를 수 있다는 점을 함께 적어 두는 편이 안전하다.

13. 결론

IC2가 시도하는 것은 인과 추론에서 가장 어려운 교환을 우회하는 일이다. 개입 효과를 알려면 개입해야 하는데, 개입할 수 없는 대상이 너무 많다는 문제다. 이 논문의 답은 개입을 포기하지도, 실제로 하지도 않고, 계가 스스로 만들어 낸 궤적 안에서 개입에 해당하는 쌍을 찾아내는 것이다. 지연 임베딩 다양체 위의 이웃과 교차사상이 그 도구다.

방법의 구조는 명료하다. 관측 데이터와 구성된 개입 데이터에 각각 직교 분해를 적용하고, 공통 부분공간과 사적 부분공간의 비로 두 개의 지표를 만들며, 두 지표의 조합으로 직접 개입 인과, 비개입적 인과, 무인과, 교란의 네 상태를 가른다. 관측 수준 분해만으로는 개입 효과를 말할 수 없고 개입 수준 분해만으로는 교란자를 진단할 수 없다는 점에서, 두 층을 겹치는 설계에는 분명한 근거가 있다.

결과도 넓은 범위에서 일관된다. 저자 보고 기준으로 32개 인과 구조에서 AUC 0.91, 결합 Lorenz63 녹아웃 실험에서 정답과 r=0.975·KLD와 r=0.925, 플랑크톤 먹이망 AUROC 0.938, 대기오염–CVD AUROC 0.864, 두 단일세포 CRISPR 자료에서 AUC 0.843과 0.783을 보고한다. 특히 대조군 세포 자료만으로 섭동 반응 유전자를 예측한 두 실험은 정답이 실제 섭동 실험에서 오기 때문에 이 논문에서 가장 설득력 있는 검증이다.

그러나 "관측 데이터에서 개입 인과를 추정한다"는 문장은 두 가지로 읽힐 수 있고, 이 논문이 보인 것은 그중 좁은 쪽이다. 넓은 읽기는 실험자가 가할 임의의 개입 효과를 관측만으로 예측한다는 것이고, 좁은 읽기는 계가 자연히 겪는 국소 요동에 대한 반응의 방향과 상대적 크기를 추정하며 그것이 실제 개입 효과와 상관을 갖는다는 것이다. 정리 1이 요구하는 무한소 개입 조건, 이웃이 관측된 흡인자 위에 놓인다는 제약, 그리고 논문 자신이 밝힌 "관측된 상태 분포를 크게 벗어나는 개입에서는 성능이 손상될 수 있다"는 한계가 모두 좁은 읽기를 가리킨다.

이 구분을 유지한다면 남는 기여는 작지 않다. 순수 관측 시계열에서 직접 인과와 간접 인과, 교란자에 의한 허위 링크를 가르는 문제에 대해 이 논문은 이론적 판정 기준과 그것을 계산으로 옮기는 구현, 그리고 여러 계에 걸친 검증을 함께 제시한다. 다만 그 기여의 크기를 정확히 재려면 아직 없는 실험 몇 가지가 필요하다. 관측 분해와 개입 분해의 기여를 분리하는 절제, 목표를 공유하는 선행 방법(IEE, KOCMI, IRC)과의 정량 비교, 개입 자료가 존재하는 자료에서 개입 기반 방법을 상한으로 둔 비교, 그리고 계산 비용과 불확실성의 보고다. 이 네 가지가 채워지기 전까지, 보고된 수치들은 이 방법이 유망하다는 증거이지 기존 개입 인과 방법을 대체한다는 증거는 아니다.

References

Leng, S., Ma, H., Kurths, J., Lai, Y.-C., Lin, W., Aihara, K., & Chen, L. (2020). Partial cross mapping eliminates indirect causal influences. Nature Communications, 11, 2632. https://doi.org/10.1038/s41467-020-16238-0

Lippe, P., Cohen, T., & Gavves, E. (2021). Efficient neural causal discovery without acyclicity constraints. arXiv. https://arxiv.org/abs/2107.10483

Lopez, R., Hütter, J.-C., Pritchard, J. K., & Regev, A. (2022). Large-scale differentiable causal discovery of factor graphs. arXiv. https://arxiv.org/abs/2206.07824

Marbach, D., Prill, R. J., Schaffter, T., Mattiussi, C., Floreano, D., & Stolovitzky, G. (2010). Revealing strengths and weaknesses of methods for gene network inference. Proceedings of the National Academy of Sciences, 107(14), 6286–6291. https://doi.org/10.1073/pnas.0913357107

Meinshausen, N., Hauser, A., Mooij, J. M., Peters, J., Versteeg, P., & Bühlmann, P. (2016). Methods for causal inference from gene perturbation experiments and validation. Proceedings of the National Academy of Sciences, 113(27), 7361–7368. https://doi.org/10.1073/pnas.1510493113

Noble, M. A., et al. (2024). Human accelerated regions regulate gene networks implicated in apical-to-basal neural progenitor fate transitions. bioRxiv. https://doi.org/10.1101/2024.06.30.601407

Pearl, J. (2009). Causal inference in statistics: An overview. Statistics Surveys, 3, 96–146. https://doi.org/10.1214/09-SS057

Shi, J., Li, Y., Zhao, J., Leng, S., Bao, R., Aihara, K., Chen, L., & Lin, W. (in press). Deciphering interventional dynamical causality from non-intervention complex systems. The Innovation. https://doi.org/10.1016/j.xinn.2026.101358

Sugihara, G., May, R., Ye, H., Hsieh, C.-H., Deyle, E., Fogarty, M., & Munch, S. (2012). Detecting causality in complex ecosystems. Science, 338(6106), 496–500. https://doi.org/10.1126/science.1227079

Wong, T. W., Lau, T. S., Yu, T. S., Neller, A., Wong, S. L., Tam, W., & Pang, S. W. (1999). Air pollution and hospital admissions for respiratory and cardiovascular diseases in Hong Kong. Occupational and Environmental Medicine, 56(10), 679–683. https://doi.org/10.1136/oem.56.10.679

Yan, J., Zhang, S. W., Zhang, C., Huang, W., Shi, J., & Chen, L. (2026). Dynamical causality under latent confounders for biological network reconstruction. IEEE Transactions on Pattern Analysis and Machine Intelligence, 48, 1–18. https://doi.org/10.1109/TPAMI.2026.3658839

Yan, J., Zhang, S.-W., Shi, J., Zhang, C., & Chen, L. (2026). IC2: Interventional dynamical causality under latent confounders. Journal of the Royal Society Interface, 23(240), 20251289. https://doi.org/10.1098/rsif.2025.1289

Zhang, X., & Chen, L. (2025). Quantifying interventional causality by knockoff operation. Science Advances, 11, eadu6464. https://doi.org/10.1126/sciadv.adu6464

Zhao, J., Gan, Z., Huang, R., Guan, C., Shi, J., & Leng, S. (2024). Detecting dynamical causality via intervened reservoir computing. Communications Physics, 7, 232. https://doi.org/10.1038/s42005-024-01730-6

Zheng, X., et al. (2024). Massively parallel in vivo Perturb-seq reveals cell-type-specific transcriptional networks in cortical development. Cell, 187(12), 3236–3248.e21. https://doi.org/10.1016/j.cell.2024.04.050