Existe una gran cantidad de relaciones causales en los sistemas biológicos, tanto las redes cerebrales causales como las redes de señalización de proteínas causales son redes biológicas causales muy clásicas (CBNs). Aprender CBNs a partir de datos de señales biológicas de manera confiable es un problema crítico hoy en día. Sin embargo, la mayoría de los métodos existentes no son lo suficientemente excelentes en términos de precisión y rendimiento temporal, y tienden a caer en óptimos locales porque no aprovechan completamente la información global. En este documento, proponemos un algoritmo de optimización de colonia de hormigas paralelas para aprender redes biológicas causales a partir de datos de señales biológicas, llamado PACO. Específicamente, PACO primero mapea la construcción de CBNs a hormigas, luego busca CBNs en paralelo simulando múltiples grupos de hormigas buscando alimento, y finalmente obtiene el CBN óptimo a través de la fusión de feromonas y la fusión de CBNs entre diferentes colonias de hormigas. Los extensos resultados experimentales en conjuntos de datos de simulación, así como en dos conjuntos de datos del mundo real, el conjunto de datos de señales fMRI y el conjunto de datos de células individuales, muestran que PACO puede aprender de manera precisa y eficiente CBNs a partir de datos de señales biológicas.