Practical limitations for real-life application of data fission and data thinning in post-clustering differential analysis

1. El Problema

El análisis de expresión diferencial en datos de secuenciación de ARN de células individuales (scRNA-seq) suele seguir un pipeline de dos pasos: primero se realiza un clustering (agrupamiento no supervisado) para identificar subpoblaciones celulares, y luego se realiza un análisis diferencial para encontrar genes marcadores entre esos grupos.

Este enfoque presenta un problema fundamental conocido como "doble inmersión" (double-dipping): se utiliza el mismo conjunto de datos dos veces (una para definir los grupos y otra para probar hipótesis sobre ellos). Esto infla la tasa de error Tipo I (falsos positivos) porque la incertidumbre del proceso de clustering no se tiene en cuenta en la prueba estadística posterior.

Para mitigar esto, se han propuesto métodos como la fisión de datos (data fission) y el adelgazamiento de datos (data thinning). Estos métodos buscan dividir cada observación en dos partes independientes ($X^{(1)}$ y $X^{(2)}$): una para clustering y otra para inferencia diferencial. Sin embargo, estos métodos asumen distribuciones paramétricas homogéneas (como Gaussianas o Poisson puras) y no consideran que los datos reales de scRNA-seq provienen de distribuciones de mezcla (mixture distributions), donde cada componente de la mezcla corresponde a un clúster real.

2. Metodología y Enfoque Teórico

Los autores analizan la viabilidad de la fisión y el adelgazamiento de datos bajo el marco de modelos de mezcla (específicamente Gaussianos y Binomiales Negativos, este último común en scRNA-seq).

• Fisión Marginal vs. Condicional:

  • Fisión Marginal: Aplica la división de datos utilizando parámetros globales (estimados de toda la muestra) sin tener en cuenta la pertenencia a clases latentes. Esto asume erróneamente que no hay clusters.
  • Fisión Condicional: Propone dividir los datos condicionalmente a la pertenencia a un componente de la mezcla ($Z_i = g$), utilizando parámetros específicos de cada componente (media y varianza por clúster).

• Análisis de Dependencia:
  Los autores demuestran teóricamente que:

  1. La fisión marginal en datos de mezcla genera covarianzas condicionales no nulas entre $X^{(1)}$ y $X^{(2)}$ dentro de cada componente real, debido al uso de una estimación de varianza global sesgada ($\hat{\Sigma}$) en lugar de la varianza específica del componente ($\Sigma_g$).
  2. Esta dependencia residual viola la premisa de independencia necesaria para el control del error Tipo I.
  3. Se deriva una expresión analítica que vincula el sesgo en la estimación de la varianza directamente con la inflación de la tasa de error Tipo I en pruebas t de Student.

• Simulaciones y Validación:
  Se realizaron simulaciones extensas bajo distribuciones Gaussianas y Binomiales Negativas, variando el parámetro de ajuste $\tau$ (que controla la proporción de información retenida) y la fuerza de la correlación entre variables. También se aplicó el método a datos reales del consorcio Tabula Sapiens.

3. Contribuciones Clave

1. Identificación de una limitación fundamental: Se demuestra que la fisión y el adelgazamiento de datos, tal como se proponen actualmente, son inaplicables en escenarios del mundo real donde existen estructuras de clusters desconocidas.
2. Paradoja de la inferencia condicional: Se establece que la única forma teóricamente válida de realizar fisión en datos de mezcla es hacerlo condicionalmente a la pertenencia de clase. Sin embargo, esto requiere conocer las etiquetas de clase ($Z_i$) y los parámetros específicos de cada componente antes de realizar el clustering, lo cual crea un círculo vicioso: se necesita el clustering para hacer la fisión válida, pero la fisión se propone para hacer el clustering válido.
3. Impacto de la correlación multivariada: En el caso de la Binomial Negativa (scRNA-seq), se demuestra que el adelgazamiento de datos es inherentemente univariado. Ignora las correlaciones entre genes. Incluso con parámetros de sobre-dispersión perfectos, las correlaciones entre variables generan dependencias cruzadas entre $X^{(1)}$ y $X^{(2)}$, inflando drásticamente el error Tipo I.
4. Cuantificación teórica del error: Se proporciona una fórmula matemática que cuantifica cómo el sesgo en la estimación de la varianza se traduce directamente en una tasa de error Tipo I inflada en pruebas posteriores.

4. Resultados Principales

• Fisión Marginal: En simulaciones con mezclas Gaussianas, la fisión marginal falla en controlar el error Tipo I. Cuando un componente real se divide erróneamente en dos clusters artificiales, la dependencia residual entre las partes divididas hace que la prueba diferencial en la segunda parte detecte diferencias falsas.
• Fisión Condicional (Ideal): En un escenario "óptimo" donde se conocen los parámetros reales y las etiquetas, la fisión condicional controla perfectamente el error Tipo I y mantiene el poder estadístico. Sin embargo, esto es irrealizable en la práctica sin conocimiento previo.
• Datos Reales (Tabula Sapiens): Al aplicar adelgazamiento de datos Binomial Negativo a un conjunto de datos homogéneo (sin estructura de clusters reales), la tasa de error Tipo I fue del 100% (1.0) cuando se usó clustering multivariado. Esto se debió a que las correlaciones entre genes se preservaron en la división, permitiendo que la asignación de clusters en la primera parte contaminara la segunda. Solo al usar un enfoque univariado (ignorando correlaciones entre genes) se recuperó el nivel nominal de error (0.05), pero esto sacrifica la información multivariada esencial en biología.
• Sensibilidad al parámetro $\tau$: El rendimiento es altamente sensible a la elección de $\tau$. Valores bajos favorecen el clustering pero pierden poder estadístico; valores altos mejoran la prueba pero degradan la calidad del clustering.

5. Significado y Conclusión

El artículo concluye que, a pesar de su atractivo conceptual, la fisión y el adelgazamiento de datos no son soluciones prácticas para la inferencia post-clustering en scRNA-seq en su estado actual.

• Inviabilidad Práctica: La necesidad de conocer la estructura de mezcla (clases y parámetros) para realizar una división válida de datos crea una dependencia circular que imposibilita su uso en escenarios donde la estructura de los datos es desconocida (el caso típico de la investigación biológica).
• Advertencia para la comunidad: Los investigadores deben tener extrema cautela al aplicar estos métodos, ya que la violación de los supuestos de homogeneidad y la falta de independencia condicional pueden llevar a conclusiones biológicas erróneas (falsos positivos masivos).
• Futuro: Se sugiere que se necesitan metodologías alternativas que puedan navegar la complejidad de estructuras de clases desconocidas sin requerir conocimiento previo de los parámetros de varianza o sobre-dispersión específicos de cada componente, o bien el desarrollo de modelos heterocedásticos no paramétricos que puedan aproximar la varianza local sin asumir la estructura de mezcla explícitamente.

En resumen, el trabajo desmitifica la aplicabilidad inmediata de la fisión de datos en biología de células individuales, señalando que la solución teórica (fisión condicional) es inalcanzable en la práctica sin caer en razonamiento circular.