Multimodal data integration and cross-modal querying via orchestrated approximate message passing

Technische Zusammenfassung: Multimodale Datenintegration und kreuzmodale Abfrage mittels orchestrierter approximativer Message-Passing-Verfahren

Problemformulierung
Die Arbeit adressiert die Herausforderung der Integration multimodaler Daten, bei denen mehrere komplementäre Merkmalsgruppen an derselben Menge von Proben gemessen werden – ein Szenario, das in der Einzelzell-Multi-Omics-Forschung weit verbreitet ist (z. B. gleichzeitige Messung von Transkriptom, Oberflächenproteinen und Chromatin-Zugänglichkeit). Die Autoren modellieren dies als ein abhängiges Multifaktorenproblem mit $m$ hochdimensionalen Datensätzen ($X_h \in \mathbb{R}^{N \times p_h}$) und $\tilde{m}$ niedrigdimensionalen Datensätzen ($\tilde{X}_\ell \in \mathbb{R}^{N \times r_\ell}$).

Die Signalanteile dieser Matrizen werden als aus Low-Rank-Strukturen resultierend angenommen, die durch latente Faktoren getrieben werden. Konkret werden die hochdimensionalen Signale als $X_h = \frac{1}{\sqrt{N}} U_h D_h V_h^\top + W_h$ und die niedrigdimensionalen Signale als $\tilde{X}_\ell = \tilde{U}_\ell L_\ell^\top + \tilde{W}_\ell$ modelliert. Entscheidend ist, dass die latenten Faktorevektoren ($U_h$ und $\tilde{U}_\ell$) für denselben Probanden über verschiedene Modalitäten hinweg als abhängig angenommen werden, wobei sie aus einer gemeinsamen Prior-Verteilung $\mu$ gezogen werden. Das Ziel ist zweigeteilt:

1. Datenintegration: Gemeinsame Rekonstruktion der latenten Signale ($U_h, V_h, \tilde{U}_\ell$) aus der Sammlung verrauschter Matrizen.
2. Kreuzmodale Abfrage (Cross-Modal Querying): Gegeben ein neuer „Abfrage“-Proband mit nur partiellen Beobachtungen (einer Teilmenge von Modalitäten und/oder einer Teilmenge von Merkmalen innerhalb der Modalitäten), soll ein statistisch valides Vorhersageset für die vollständige latente Repräsentation des Subjekts konstruiert werden.

Es wird angemerkt, dass bestehende Methoden (z. B. WNN, MOFA+, totalVI) auf Heuristiken beruhen, denen eine rigorose mathematische Grundlage für die Generalisierung fehlt, und kritisch gesehen keine Unsicherheitsquantifizierung für Vorhersagen liefern können.

Methodik: OrchAMP
Die Autoren schlagen Orchestrated Approximate Message Passing (OrchAMP) vor, einen voll datengesteuerten Algorithmus, der darauf ausgelegt ist, eine statistisch optimale Signalkonstruktion zu erreichen und Vorhersagesets zu erstellen.

1. Initialisierung: Der Algorithmus beginnt mit einer Singulärwertzerlegung (SVD) der beobachteten Datenmatrizen, um erste Schätzungen der latenten Faktoren zu erhalten. Anschließend werden Störparameter (Signalstärken und Kovarianzstrukturen) geschätzt und die empirischen Priors ($\hat{\mu}$ und $\hat{\nu}_h$) mittels eines Empirical-Bayes-Ansatzes erlernt.
2. Iterative Verfeinerung: OrchAMP führt synchrone Updates über mehrere „Orbits“ (einen für jede Modalität) durch. In jeder Iteration $t$:
   • Denoising (Entrauschung): Der Algorithmus wendet zeilenweise Denoiser ($u_{t,h}$ und $v_{t,h}$) an, welche die bedingten Erwartungswerte der latenten Faktoren unter Berücksichtigung der aktuellen Schätzungen und der gelernten Priors darstellen. Diese Denoiser integrieren Informationen über alle Modalitäten simultan.
   • State Evolution: Der Algorithmus verfolgt die asymptotische Verteilung der Schätzungen mithilfe von State-Evolution-Parametern ($\Sigma, S$), die rekursiv evolvieren.
   • Onsager-Korrektur: Um sicherzustellen, dass die Schätzungen im hochdimensionalen Limit wie unabhängiges Gaußsches Rauschen agieren, subtrahiert der Algorithmus Terme, die die Jacobimatrizen der Denoiser beinhalten (Onsager-Korrekturen), von den aktuellen Updates.
3. Konstruktion des Vorhersagesets: Für einen Abfrage-Subjekt mit partiellen Beobachtungen berechnet die Methode zuerst eine Punktschätzung der latenten Faktoren mittels kleinster Quadrate und dem gelernten Atlas. Sie nutzt dann die asymptotische Normalität der OrchAMP-Iterationen, um eine bedingte Verteilung für die latenten Faktoren des Abfrage-Subjekts zu definieren. Ein Vorhersageset wird als $\ell_2$-Ball konstruiert, der um die Punktschätzung zentriert ist, wobei der Radius durch das $(1-\alpha)$-Quantil des Euklidischen Abstands unter der bedingten Verteilung bestimmt wird, um asymptotische Validität zu gewährleisten.

Zentrale Beiträge

1. OrchAMP-Algorithmus: Der Vorschlag eines voll datengesteuerten Algorithmus zur integrativen Schätzung von Signalanteilen in abhängigen multimodalen Faktormodellen. Die Methode handhabt variierende Signal-Ränge über Modalitäten hinweg und bezieht modalitätsspezifische Informationen ein, ohne diese während der Integration zu zerstören.
2. Theoretische Begründung:
   • Asymptotische Normalität: Die Autoren etablieren die „großes $N$“-asymptotische Normalität aller Algorithmus-Iterationen unter allgemeinen Bedingungen für eine breite Palette von Priors.
   • Bayes-Optimalität: Unter einer eindeutigen Fixpunktbedingung der State Evolution wird gezeigt, dass die Schätzer eine asymptotische Bayes-Optimalität (Minimierung des mittleren quadratischen Fehlers) erreichen.
   • Vorhersagesets: Das Paper liefert die erste Konstruktion asymptotisch valider Vorhersagesets für Abfrage-Subjekte in einem multimodalen Setting. Diese Sets bleiben auch dann valide, wenn die Bedingung der eindeutigen Fixpunktbildung nicht erfüllt ist.
3. Empirische Validierung: Die Methode wird an synthetischen Daten und realen TEA-seq-Daten (Transkriptom, Epitope, Chromatin-Zugänglichkeit) validiert.

Ergebnisse

• Synthetische Daten: In Simulationen übertrifft OrchAMP das separate empirische Bayes-PCA (EB-PCA) und die Standard-SVD, insbesondere wenn das Signal-Rausch-Verhältnis (SNR) niedrig oder die Inter-Modalitäts-Abhängigkeit ($\rho$) hoch ist. Der Leistungszuwachs ist am ausgeprägtesten bei Modalitäten mit schwächeren Signalen, was den Nutzen des „Borrowing of Strength“ über Modalitäten hinweg demonstriert.
• Vorhersageabdeckung (Prediction Coverage): In Experimenten mit endlichen Stichproben erreichten die konstruierten 95%-Vorhersagesets empirische Abdeckwahrscheinlichkeiten nahe am Nominalwert (z. B. 0,92–0,98), was die Fähigkeit der Methode zur wohlkalibrierten Unsicherheitsquantifizierung zeigt.
• Reale Daten (TEA-seq): Auf einem menschlichen PBMC-Datensatz erreichte OrchAMP eine Clustering-Leistung (gemessen an Silhouette-Score, V-Measure, ARI und cLISI), die mit dem Stand der Technik wie Seurat WNN und MOFA+ vergleichbar ist.
• Abfrage (Querying): Beim Abfragen des konstruierten Atlas mit Zellen, die nur in einer einzigen Modalität gemessen wurden, zeigten sich die resultierenden Vorhersagesets als hochgradig informativ; sie besetzten typischerweise eine spezifische Teilmenge des korrekten Zelltyp-Clusters, anstatt lediglich ein grobes Label bereitzustellen.

Bedeutung und Ansprüche
Das Paper beansprucht, einen rigorosen statistischen Rahmen für die multimodale Datenintegration zu bieten, der über heuristische Ansätze hinausgeht. Die primäre Bedeutung liegt in:

• Theoretischen Garantien: Bereitstellung nachweisbarer Leistungsgarantien und asymptotischer Optimalität unter einem stilisierten, aber realistischen abhängigen multifaktoriellen Modell.
• Unsicherheitsquantifizierung: Es ist die erste Methode, die Atlanten erstellt, die asymptotisch valide Vorhersagesets für neue Subjekte mit partiellen Beobachtungen ermöglichen, womit eine kritische Lücke in der aktuellen Praxis des Label-Transfers geschlossen wird, in der Unsicherheit selten quantifiziert wird.
• Generalisierbarkeit: Obwohl durch Single-Cell-Multi-Omics motiviert, ist das vorgeschlagene Modell und die Theorie allgemein anwendbar auf jeden Kontext, der abhängige Low-Rank-Signale über mehrere Datenquellen hinweg beinhaltet.

Die Autoren betonen, dass ihre Methode zwar die Zell-Segregationsfähigkeiten bestehender Werkzeuge erreicht, jedoch einzigartig einen theoretisch begründbaren Weg zur kreuzmodalen Abfrage mit quantifizierter Unsicherheit bietet.