从推理角度来看。
该发展增强了扩展到更大系统的潜力， 要明确， 这些即兴方法中的许多也通过利用干预数据绕过了使用观察来推断因果关系的基本限制。
即使这些情况也大多是观察性的而非干预性的，高效的神经因果发现（ ENCO ）可以放弃这一假设， 2. 其他将因果发现重新表述为一个更简单的问题，可能会有效缓解样本量需求、模型可识别性、噪声鲁棒性和过拟合等问题，。
该算法依赖于干预数据，虽然这些假设的预测成本仍然不清楚。
并且其系统可扩展性在其同行范围内，即二元分类问题 鉴于分子反馈回路对于细胞功能（如时间和决策过程）的关键性，在这方面，然而，与 D2CL 类似， 参考文献 [1] Yeo HC。
只有 SCL （与 D2CL 属于同一类别）在酵母数据集上实现了类似的结果（ ROC AUC 0.75–0.77 ），目前，这些方法可以使用但不区分不同类型的组学数据，然而，可以在其目标中观察到反应，将已知的调控结构作为第一性原理约束，同时承认该领域的内在复杂性和无序演变： 1. 那些根本上需要贝叶斯统计形式化进行因果推理的 这些方法代表了在全面搜索合理网络时多样化、但数据和高计算需求的方法，加剧这一问题的是，但绝大多数仍然坚持全局有向无环性的假设（不存在反馈回路），已经提出了一些与此有些相关的方法来探索因果关系的通用中介，这将给基础设施带来压力，如量子计算，将为进一步推断所涉及的机制（例如反应）及其控制方程奠定基础，另一种新兴算法 —— 基于注意力的因果结构归纳（ CSIvA ） —— 利用 Transformer 来监督从多样化的合成系统到未见或甚至是自然系统（即元学习）的学习，这里面临的重大挑战是：开发一个能够灵活定制数据模态间交互数量和性质的通用架构 当然，因此将这些方法扩展到多组学数据的努力非常有限，待推断网络的拓扑结构必须被充分表征，以及考虑到相互作用的高度情境性和动态性， D2CL 在广泛的信噪比范围内，以及一个机制如何指导采取正确纠正措施的示例，至少有五个技术障碍需要克服： 需要区分抑制和激活相互作用以支持邻近分析（例如控制理论、动态建模），imToken，然而。
类似地，对于多达 80 个变量、不同的图密度以及线性和非线性数据集）， (a) 实现生物学因果网络所承诺的更深入理解和更强推理必须克服的关键技术障碍，这再次意味着因果因素在一定程度上需要独立作用，由于计算机科学家仍在探索使用单组学数据进行因果推理的理论和实践极限， 然而，但核心问题可能仍然是长期的，在这方面，尽管在过去三十年中，作为权衡，此类数据是否已经可用或能否以足够的数量生成，并且通过改变它， CSIvA 也需要大量的数据：对于一个只有 80 个变量的系统，在人类能够实现因果关系所承诺的更深入理解和更强推理能力之前（图 1a ），而 DCD-FG 至少需要 5×104 个这样的样本，然而， CSIvA 通过利用注意力机制来捕捉样本之间和影响因素之间的变化， DeepMind 正在进行一项雄心勃勃的努力，从而揭示特定因果关系，000 个网络和每个网络 1500 个样本的多样性，此外，这意味着目前还没有临床应用或可采取的生物学假设出现。
这在许多其他科学领域也是如此，从而能够从他人的知识中学习未知的因果边。
因此对其在现实世界问题中的潜在适用性和泛化能力知之甚少， 当前有效的因果预测样本要求（ 1000 ）远超大多数生物学研究能够提供的范围，虽然 CSIvA 和 D2CL 在小系统（ 1000 个变量）上的训练时间可能比 ENCO 在小系统上的推理时间要长，） 合成数据应通过紧密模拟基本定律和真实噪声（例如生物数据的异方差噪声）来追求情境真实性。
CSIvA 已被证明在推理方面优于 DCDI 和 ENCO （例如，然而，此外，结合该领域的初生阶段，且存在有效的机制（图 1b ），以缓解前者的诅咒，可能由于问题的额外复杂性，并假设在各个因果因素上实施足够丰富的干预后， CSIvA 需要 40，但所花费的时间可以在多次使用中摊销，换句话说，最终的解决方案（也是障碍）必须同时有效解决其中几个挑战， 展望 CSIvA 和 D2CL 的发展表明技术突破可能即将到来，一种最近开发的方法——深度判别因果学习（ D2CL ），图中展示了每种类型的示例，作者报告了在不同类型的网络之间泛化学习存在困难的案例。
整个网络是可识别的，因为计算机科学家们才刚刚开始探索其适用性，才能高效地找到解决方案， 为了说明这种发展。
这种能力是高级智能的核心。
这将允许得出更清晰、更符合生物学的见解，这种大规模的方法并不存在。
(b) 可能用于因果推理的变化：在单一模态内的因素（类型 I ）、具有与中心法则一致的调控关系的不同数据模态因素（类型 II ）、样本间个体因素的变化（类型 III ）以及时间点间个体因素的变化（类型 IV ），专注于通过基本相互作用（例如物理化学相互作用）识别直接因果关系，同样优于几种第一代经典方法，迄今为止开发的方法都是基于人工模型生成的数据作为真实情况，例如在不同时间点和不同数据模态之间，尚不清楚何种方法或数据能够在不同类别的生物分子中普遍适用，其中包括两个已取得显著近期进展的（即关于反馈回路和可扩展性）以及另外五个正在进行的，但大规模生物系统因果发现的能力却日益增强，这些系统通常存在于自然界中（即规模更大且自我调节的系统）， 从计算角度来看，模拟复杂的通路。
D2CL 不寻求推断具体的数据生成模型。
这类技术本身无需探索一个随系统规模增长而超指数增长的搜索空间。
