Pathway-based Bayesian factor models for 'omics data

1. Problemstellung

Die Analyse von Transkriptomdaten (z. B. RNA-Sequenzierung) stellt eine große statistische Herausforderung dar, da die Anzahl der Gene ($p$) die Anzahl der Proben ($n$) oft um ein Vielfaches übersteigt ($p \gg n$).

• Herausforderung: Standard-Faktormodelle (wie PCA oder klassische Faktorenanalyse) reduzieren die Dimensionalität effektiv, ignorieren jedoch oft vorhandenes biologisches Vorwissen (z. B. Gen-Sets oder Signalwege).
• Limitierung bestehender Methoden: Der aktuelle State-of-the-Art, PLIER (Pathway-Level Information Extractor), integriert zwar Pfadinformationen, leidet jedoch unter gravierenden Mängeln:
  • Es erzwingt positive Faktorladungen, was biologisch sinnvolle negative Korrelationen ausschließt.
  • Es ist extrem empfindlich gegenüber Hyperparameter-Wahlen und erfordert rechenintensive Nachjustierungen.
  • Es bietet keine Quantifizierung der Unsicherheit (Uncertainty Quantification, UQ) für die geschätzten Kovarianzstrukturen.
  • Die Genauigkeit der Rekonstruktion der empirischen Genkorrelationen ist oft suboptimal.

2. Methodik: BASIL

Die Autoren stellen BASIL (Bayesian Analysis with gene-Sets Informed Latent space) vor, ein skalierbares bayessches Rahmenwerk zur Analyse von Transkriptomdaten.

Modellstruktur:
Das Modell beschreibt die normalisierte Genexpressionsmatrix $Y$ ($n \times p$) durch latente Faktoren $\eta$:
$$Y = M\Lambda^\top + \epsilon$$
wobei $\Lambda$ die Ladungsmatrix ist. Der Kerninnovation liegt in der Zerlegung von $\Lambda$ unter Nutzung einer binären Gen-Set-Matrix $C$ ($p \times q$):
$$\Lambda = C\Gamma + \Psi$$

• $C\Gamma$: Der strukturierte Teil, der Variation durch bekannte Gen-Sets (Pfade) erklärt.
• $\Psi$: Ein unstrukturierter Teil, der Variation erfasst, die nicht durch bekannte Pfade abgedeckt ist (z. B. unbekannte biologische Prozesse).
• Orthogonalität: Um Identifizierbarkeit zu gewährleisten, wird $\Psi$ so definiert, dass er im Nullraum von $C$ liegt ($\Psi \in \mathcal{N}(C)$).

Priors und Shrinking:

• Es werden shrinkage-Priors (Gaussian Priors) für die Elemente von $\Gamma$ und $\Psi$ verwendet.
• Adaptives Shrinking: Die Varianzparameter $\tau_\Gamma^2$ und $\tau_\Psi^2$ steuern die Stärke des Shrinking. Das Modell passt sich automatisch an: Wenn ein Signaltyp dominiert, konvergiert der entsprechende Varianzparameter gegen Null, wodurch das Modell auf eine einfachere Spezifikation kollabiert (Theorem 1).
• Empirisches Bayes: Die Hyperparameter werden automatisch durch ein empirisches Bayes-Verfahren geschätzt, was manuelles Tuning überflüssig macht.

Posterior-Berechnung und Skalierbarkeit:

• Statt rechenintensiver MCMC-Sampling-Verfahren nutzt BASIL einen Pre-Training-Ansatz.
• Die latenten Faktoren $M$ werden initial durch eine PCA-Schätzung (Singulärwertzerlegung von $Y$) approximiert.
• Unter der Bedingung dieser Schätzung wird die Posterior-Verteilung für $\Lambda$ analytisch berechnet (konjugierte Updates).
• Um eine leichte Unterdeckung der Konfidenzintervalle zu korrigieren, wird eine Varianz-Inflation angewendet.
• Dies ermöglicht eine extrem schnelle Inferenz auch bei Zehntausenden von Genen ohne MCMC.

Modellauswahl:
Die Anzahl der latenten Faktoren $k$ wird automatisch durch Minimierung des Joint Likelihood Information Criterion (JIC) bestimmt.

3. Wichtige Beiträge

1. Integration von Vorwissen: BASIL integriert annotierte Gen-Sets direkt in die bayessche Inferenz, erlaubt aber gleichzeitig das Lernen neuer, unstrukturierter Komponenten.
2. Flexibilität: Im Gegensatz zu PLIER erlaubt BASIL sowohl positive als auch negative Faktorladungen, was biologisch realistischere Modelle (z. B. antagonistische Regulation) ermöglicht.
3. Unsicherheitsquantifizierung: Das Modell liefert rigorose credible intervals für die Kovarianzmatrix und die Ladungen, was bei $p \gg n$-Szenarien entscheidend ist, um zufällige Korrelationen von echten Signalen zu unterscheiden.
4. Skalierbarkeit und Automatisierung: Durch den Verzicht auf MCMC und die automatische Hyperparameter-Anpassung ist das Verfahren für große 'Omics-Datensätze praktikabel und reproduzierbar.

4. Ergebnisse

Simulationsstudien:

• BASIL übertraf PLIER und ROTATE in allen Szenarien (hoher und niedriger Signalwert von Ontologien) hinsichtlich der Genauigkeit bei der Rekonstruktion der Kovarianzmatrix.
• Geschwindigkeit: BASIL ist im Durchschnitt ca. 30-mal schneller als PLIER.
• Faktorendimension: BASIL erkannte die wahre Anzahl der Faktoren konsistent korrekt, während PLIER die Dimension massiv überschätzte (z. B. 69 statt 10 Faktoren).
• Unsicherheit: Die 95%-Credible-Intervalle von BASIL zeigten eine korrekte frequentistische Abdeckung (~0,93–0,95).

Anwendung auf Whole-Blood RNA-seq Daten (Mao et al., 2019):

• BASIL identifizierte drei klar getrennte, biologisch interpretierbare Gen-Cluster (Neutrophile Granula, Erythrozyten), während PLIER ein dichtes, verrauschtes Netzwerk mit vielen schwachen Korrelationen erzeugte.
• Die Unsicherheitsquantifizierung ermöglichte es, statistisch signifikante Korrelationen von Rauschen zu trennen (ca. 85% der Paare wurden als nicht signifikant ausgeschlossen).

Analyse der globalen Fieber-Daten (Ko et al., 2023):

• Auf einem Datensatz mit 291 Patienten und 14.386 Genen identifiziert BASIL 19 interpretierbare Faktoren.
• Biologische Erkenntnisse:
  • Phosphoinositid-Signalgebung: Drei Faktoren wurden stark durch Phosphoinositid-Phosphatase-Aktivität dominiert, was als Haupttreiber der Expressionsheterogenität identifiziert wurde.
  • Interferon-getriebene Entzündung: Gene wie CXCL10 und IFI27 zeigten, dass ihre Variation fast vollständig durch bekannte Immunwege (Interferon-Signalisierung) erklärt wird.
  • Gegenläufige Muster: BASIL konnte antagonistische Beziehungen (z. B. zwischen Immunantwort und Transport) aufdecken, die durch positive Restriktionen bei PLIER übersehen worden wären.

5. Bedeutung und Fazit

BASIL stellt einen bedeutenden Fortschritt in der Analyse hochdimensionaler 'Omics-Daten dar. Es verbindet die Vorteile von bayesscher Statistik (Unsicherheitsquantifizierung, Integration von Vorwissen) mit der Rechenleistung moderner Approximationsverfahren.

• Biologische Interpretierbarkeit: Durch die Einbindung von Gen-Sets werden die latenten Faktoren direkt auf biologische Pfade zurückführbar.
• Robustheit: Die Fähigkeit, sowohl bekannte als auch unbekannte Quellen der Variation zu modellieren, macht das Verfahren robust gegenüber unvollständigen Gen-Ontologien.
• Praktische Anwendbarkeit: Die Automatisierung und Geschwindigkeit machen BASIL zu einem wertvollen Werkzeug für die klinische Forschung, insbesondere zur Identifizierung von Wirt-Antwort-Modulen bei Infektionskrankheiten, wo schnelle und zuverlässige Diagnostik entscheidend ist.

Zukünftige Arbeiten könnten das Framework auf Single-Cell-Daten, Multi-Omics-Integration oder gepoolte Datenstrukturen erweitern.