Predicting Causal Effects in High-Dimensionsal Settings

Das Verständnis für Kausalzusammenhänge zwischen Variablen ist in vielen Wissenschaftsbereichen von großem Interesse. Ein ehrgeiziges und gleichzeitig auch höchst erstrebenswertes Ziel ist es, von Daten, die durch die Beobachtung eines Systems gewonnen wurden, auf Kausalzusammenhänge zu schließen ohne jedoch in das beobachtete System einzugreifen. Dies würde erlauben, entscheidende experimentelle Einschränkungen zu umgehen oder Kosten für Experimente zu reduzieren. Die Hauptmotivation für die Erforschung dieses Ziels kommt aus der Biologie.

Wir präsentieren aktuelle Fortschritte bei der Vorhersage von kausalen Effekten mit direkten Implikationen für den Entwurf neuer Interventionsexperimente - im Besonderen für hoch-dimensionale, unvollständige Umgebungen mit Tausenden von Variablen, die jedoch lediglich auf einigen wenigen Beobachtungen basieren. Dabei heben wir vielversprechende Möglichkeiten und grundsätzliche Einschränkungen hervor. In Bezug auf Letzteres sollte eine statistische Modellierung durch Experimente überprüft werden: Wir diskutieren dies im Kontext der Molekularbiologie für Hefepilze (Saccharomyces Cerevisiae) und der Modellpflanze Arabidopsis Thaliana.