Informática
Redação do Site Inovação Tecnológica – 16/11/2026

A intervenção (mexer em uma coisa de cada vez para ver no que é que dá) é o padrão ouro da determinação causal na ciência experimental, mas a maioria dos sistemas importantes não permite testes desse tipo.
[Imagem: Jifan Shi et al. – 10.1016/j.xinn.2026.101358]
Causa e efeito
Causa e efeito são fundamentais para a ciência: Neurocientistas querem saber quais neurônios controlam um comportamento, climatologistas quais fatores dominam a temperatura global, biólogos quais genes se regulam mutuamente, e por aí vai longe.
Em termos ideais, questões como essas são resolvidas por meio de experimentos, intervindo em uma variável e observando como o sistema responde. Acontece que, em muitos sistemas complexos do mundo real, do clima global ao cérebro humano, uma intervenção deliberada pode ser tecnicamente inviável, proibitivamente cara ou simplesmente impossível.
Mas pode haver um caminho para decifrar esses enigmas sem perder a conexão com a realidade.
Jifan Shi e uma equipe das universidades de Fudan (China) e Tóquio (Japão) acabam de demonstrar que a causalidade genuína, com qualidade aferida no mesmo nível de uma intervenção, pode ser identificada apenas a partir de dados observacionais, sem precisar efetivamente fazer uma intervenção.
A equipe criou um arcabouço de análise, batizada de “causalidade dinâmica intervencionista” (IntDC: Interventional Dynamical Causality), que inclui um critério computacional – a entropia de incorporação intervencionista (IEE: Interventional Embedding Entropy) – que mede a força causal diretamente a partir de séries temporais registradas, sem qualquer conhecimento das equações dinâmicas do sistema e sem a realização de um único experimento.

Causalidades construtiva e intervencional
A nova teoria distingue dois níveis de causalidade que os métodos atuais tendem a confundir.
A causalidade dinâmica construtiva – alvo de ferramentas clássicas como a causalidade de Granger, a entropia de transferência e o mapeamento cruzado convergente – questiona se a dinâmica de uma variável depende de outra. Esses métodos, no entanto, são vulneráveis a fatores de confusão: Quando um terceiro fator influencia tanto X quanto Y, eles podem erroneamente relatar que X causa Y.
A causalidade dinâmica intervencional, por sua vez, adota o padrão mais rigoroso da inferência causal moderna: X é considerado causa de Y somente se uma intervenção externa em X alterar Y.
A solução da equipe se baseia em uma ideia clássica da teoria de sistemas dinâmicos: A incorporação de um retardo, ou incorporação tardia, o teorema que afirma que o estado completo de um sistema complexo pode ser reconstruído a partir do comportamento passado de apenas uma de suas medições.
A principal descoberta dos pesquisadores é que, se X exerce influência em nível de intervenção sobre Y, o registro observacional de Y já contém a marca das perturbações de X.
Ao reconstruir o espaço de estados do sistema a partir de incorporações tardias, e definindo uma nova medida de informação, a entropia de incorporação intervencionista, a IEE quantifica o quanto de informação causal intervencionista flui entre as variáveis, permitindo que estruturas causais livres de fatores de confusão sejam recuperadas a partir de observações passivas.

O método passou por testes em diversas áreas da biologia.
[Imagem: Jifan Shi et al. – 10.1016/j.xinn.2026.101358]
Aplicações práticas
A equipe testou sua nova teoria, e os testes de aferição confirmaram o poder do método.
Em sistemas dinâmicos logísticos clássicos com um fator comum Z, muitas abordagens tradicionais produzem ligações espúrias X->Y, enquanto a nova teoria as rejeita corretamente. O método também se mostrou robusto em relação ao comprimento dos dados, ruído, dimensão da incorporação e escolha de parâmetros em dinâmica logística, mapas Hénon acoplados e redes neurais caóticas.
As aplicações práticas do novo método abrangem até as ciências da vida. Usando registros de imagens de cálcio do nematoide Caenorhabditis elegans, a técnica reconstruiu conectomas neurais funcionais e quantificou a influência causal entre regiões cerebrais do animal. Aplicada a dados epidemiológicos, ela identificou relações de transmissão entre regiões durante o surto de COVID-19 no Japão. E, na biologia circadiana, reconstruiu a rede regulatória em torno de genes-chave do relógio biológico, identificando os reguladores críticos.
A expectativa agora é que a disponibilidade de dados em larga escala e ferramentas de inteligência artificial baseadas na nova técnica remodelem o modo como a ciência lida com sistemas complexos. Os pesquisadores esperam que a combinação da teoria causal dinâmica com o aprendizado de máquina aprimore ainda mais a descoberta causal orientada por dados, transformando a mera observação em uma janela para identificar a causa e o efeito.
Artigo: Deciphering interventional dynamical causality from non-intervention complex systems
Autores: Jifan Shi, Yang Li, Juan Zhao, Siyang Leng, Rui Bao, Kazuyuki Aihara, Luonan Chen, Wei Lin
Revista: The Innovation
DOI: 10.1016/j.xinn.2026.101358
Outras notícias sobre:







