IRIS: time-structured manifold projections

ملخص تقني: IRIS – إسقاطات المتشعبات ذات البنية الزمنية

بيان المشكلة
تُنتج البيانات الطبية الحيوية عالية الأبعاد، مثل تسلسل الحمض النووي الريبوزي أحادي الخلية (scRNA-seq)، والميتاجينوميات المقارنة، وتضمينات الأدبيات العلمية، كميات هائلة من البيانات التي تتضمن أبعاداً زمنية (مثل مراحل التطور، أو أعمار المبحوثين، أو تواريخ النشر). وبينما تُعد خوارزميات تعلم المتشعبات (Manifold Learning) مثل t-SNE وUMAP أدوات لا غنى عنها لتصور الهياكل عالية الأبعاد عبر تجميع العناصر المتشابهة، إلا أنها بطبيعتها غير مُوجهة (unsupervised) ولا تدمج الترتيب الزمني في هياكل تخطيطها. وبناءً على ذلك، غالباً ما تُحجب الديناميكيات الخاصة بأنواع الخلايا أو الفئات الأخرى بمرور الوقت.

إن الحلول البديلة الحالية غير كافية:

1. العروض الجانبية (Side-by-side views): يتطلب تلوين التخطيطات حسب الفئة والزمن في رسومات منفصلة مسحاً بصرياً مرهقاً، مما يجعل من الصعب تقدير النطاقات الزمنية لفئات معينة أو تحديد القيم الزمنية القصوى.
2. الـ UMAP المتوافق (Aligned UMAP): تنتج هذه الطريقة تخطيطات متعددة مع فرض عقوبة على الحركة بينها. ومع ذلك، فهي تتطلب عدداً صغيراً من الشرائح الزمنية المنفصلة وتفترض ظهور نفس العناصر في شرائح متعددة، وهو أمر نادر الحدوث في بيانات scRNA-seq أو غيرها من البيانات الزمنية. علاوة على ذلك، فإنها تفاقم مشكلة تعدد العروض، مما يستلزم غالباً استخدام رسوم متحركة أو مخططات ثلاثية الأبعاد يصعب التعامل معها لإظهار المسارات.

المنهجية
يقترح المؤلفون خوارزمية IRIS (إدراج الهيكل العكسي الزمني الشعاعي - Incorporating Radial time-structured Inverse Structure)، وهي خوارξε جديدة لتعلم المتشعبات تقوم بهيكلة التخطيطات منخفضة الأبعاد زمنياً وطوبولوجياً في آن واحد. تعمل IRIS من خلال إنشاء تخطيطات دائرية حيث يشع الزمن نحو الخارج في حلقات متمركزة، تاركةً البعد الزاوي لترميز العلاقات عالية الأبعاد.

تتم عملية الخوارزمية في مرحلتين رئيسيتين:

المرحلة الأولى: تحسين الأس الشعاعي (الرسم الخرائطي الزمني)

• الهدف: رسم الطوابع الزمنية إلى أنصاف أقطار حلقية بحيث تكون كثافة النقاط موحدة شعاعياً، لمعالجة "مشكلة الازدحام" وضمان إمكانية تقدير الوقت من الموقع.
• الآلية: يتم رسم الزمن $t$ إلى نصف قطر $r$ عبر دالة قوة: $r_i = \zeta + (1 - \zeta)t_i^\rho$، حيث $\zeta$ هو معلم فائق (hyperparameter) يتحكم في نسبة نصف القطر الداخلي، و $\rho$ هو أس عالمي يجب تحسينه.
• التحسين: تُعرف الخوارزمية دالة كثافة احتمالية (PDF) مثالية $P(X)$ تمثل توزيعاً منتظماً للكثافة عبر الحلقة. ثم تستخدم تباعد كولباك - ليبلر (KL divergence) لإيجاد $\rho^*$ الأمثل الذي يقلل التباعد بين دالة الكثافة الاحتمالية المثالية وتوزيع الأقطار $Q$ المستمد من البيانات. تعالج هذه المرحلة الانحراف الزمني.
• إعادة أخذ العينات (Resampling): لمنع حدوث عيوب "التخطيط" (banding artifacts) الناتجة عن الملصقات الزمنية المتفرقة أو الخشنة، توفر IRIS إعادة أخذ عينات زمنية احتمالية اختيارية (متجانسة أو غير متجانسة) لإنشاء توزيع زمني أكثر استمرارية.

المرحلة الثانية: تحسين الزوايا (بنية المتشعب)

• الهدف: تحسين الزاوية $\theta_i$ لكل نقطة للحفاظ على العلاقات عالية الأبعاد مع تقييد النقاط في الأنصاف الأقطار المحددة في المرحلة الأولى.
• الآلية: تعيد الخوارزمية صياغة دالة التكلفة الإقليدية من الإحداثيات الكارتيزية إلى الإحداثيات القطبية. وتستخدم إطاراً احتمالياً مشابهاً لـ LargeVis (وهو سلف UMAP)، حيث تُعرف احتمالات الحواف بناءً على الجيران الأقرب التقريبيين (ANN).
• دالة التكلفة: توازن دالة التكلفة $C$ بين المسافة الإقليدية والمسافة الزاوية. بالنسبة للأزواج الإيجابية (الجيران في الفضاء عالي الأبعاد)، تقلل التكلفة المسافة في كل من نصف القطر والزاوية. أما بالنسبة للأزواج السلبية، فهي تزيد من التباعد. تتضمن التكلفة معلماً فائقاً $\beta$ لموازنة المساهمة من المسافة الإقليدية مقابل المسافة الزاوية.
• التحسين: تُستخدم خوارزمية التدرج الاشتقاقي العشوائي (Stochastic gradient descent) لتحديث الزوايا $\Theta$ لتقليل تباعد توزيعات المسافة بين الفضاءات عالية وأقل الأبعاد.

المساهمات الرئيسية

• الابتكار الخوارزمي: تقدم IRIS انحيازاً استقرائياً (inductive bias) جديداً ينشئ تخطيطات دائرية حيث يشع الزمن نحو الخارج، مما يسمح برؤية العلاقات الزمنية مباشرة من هندسة التخطيط بدلاً من الاعتماد على قنوات الألوان.
• إعادة الصياغة (Reparameterization): يفصل البحث في إعادة صياغة رياضية لدوال التكلفة الإقليدية إلى إحداثيات قطبية، مما يسمح بالتحسين المتزامن لرسم الزمن العالمي (نصف القطر) والبنية المحلية للمتشعب (الزاوية).
• إعادة أخذ العينات الزمنية: استراتيجية مقترحة للتعامل مع الملصقات الزمنية المتفرقة أو الخشنة لتجنب العيوب البصرية في التخطيط.
• التنفيذ: تم تنفيذ IRIS بلغة بايثون و ++C، بالاعتماد على إطار عمل LargeVis، وهي متاحة كحزمة مفتوحة المصدر.

النتائج
قيم المؤلفون IRIS على خمس مجموعات بيانات تغطي ثلاثة مجالات طبية حيوية:

1. scRNA-seq (الجنين): التطور الجنيني للفئران (28,604 خلية).
2. scRNA-seq (الأعصاب): أطلس أمراض التنكس العصبي (30,556 عينة).
3. الميتاجينوميات (الأمعاء): بيانات ميكروبيوم الأمعاء عبر 29 دراسة (4,479 عينة).
4. الأدبيات (ADRD): مجموعة مقالات حول مرض ألزهايمر والاضطرابات ذات الصلة بالخرف (17,518 مقالاً).
5. الأدبيات (PD-1): مجموعة مقالات حول مسار نقاط التفتيش المناعية (27,886 مقالاً).

مقاييس التقييم:

• هيكلة الفئات (KNN): تُقاس بدقة مصنف الجيران الأقرب (K-Nearest Neighbors) في التنبؤ بتسميات الفئات من إحداثيات التخطيط.
• هيكلة الزمن (SVR): تُقاس بجودة الملاءمة $R^2$ لنموذج انحدار متجه الدعم (Support Vector Regression) الذي يتنبأ بالطوابع الزمنية من إحداثيات التخطيط.
• TMPS: درجة إسقاط المتشعب المهيكل زمنياً، وهي عبارة عن المتوسط التوافقي لـ KNN و SVR.

النتائج:

• الوضوح البصري: توضح تخطيطات IRIS فوراً الظواهر الديناميكية (مثل تفرع أنواع الخلايا، أو الأصول المتميزة لسلائف الخلايا العصبية) التي لا تظهر بوضوح في مخططات UMAP المزدوجة.
• الأداء الكمي: تؤكد المقاييس الكمية أن IRIS تهيكل التخطيطات بفعالية من حيث الزمن (حيث يؤدي UMAP أداءً ضعيفاً) مع الاحتفاظ بهيكلة الفئات بشكل يضاهي UMAP.
• القابلية للتوسع: يتناسب وقت تشغيل IRIS خطياً مع عدد العينات.

الأهمية والادعاءات
يزعم البحث أن IRIS توفر حلاً لمحدودية خوارزميات تعلم المتشعبات الحالية في التعامل مع البيانات الزمنية. فمن خلال هيكلة التخطيطات زمنياً وطوبولوجياً في آن واحد، تجعل IRIS العلاقات الزمنية مرئية بوضوح من التخطيط نفسه، مما يحرر قناة اللون لترميز معلومات الفئة. يضع المؤلفون IRIS كأداة قادرة على تصور مجموعة واسعة من البيانات الطبية الحيوية الديناميكية، مقدمةً بديلاً أكثر بديهية وكثافة معلوماتية للمقارنات الجانبية أو العروض المتحركة متعددة المشاهد. ويُقدم هذا العمل كمساهمة مفتوحة المصدر في مجال تصور البيانات والتعلم الآلي في الطب الحيوي.