Flexible aggregation of compositional predictors with shared effects for microbiome association analysis

Planteamiento del Problema
El análisis de datos del microbioma enfrenta desafíos significativos debido a la naturaleza de alta dimensionalidad, dispersa y composicional de los datos. Las restricciones composicionales requieren que las abundancias relativas sumen uno, lo que induce dependencia entre los taxones y requiere enfoques de regresión basados en log-razones (específicamente el modelo de log-contraste donde los coeficientes suman cero). Además, los conjuntos de datos del microbioma suelen contener numerosos rasgos raros (observados en pocos sujetos), que típicamente se filtran o agregan basándose en árboles filogenéticos externos fijos. Sin embargo, los métodos existentes presentan limitaciones: los enfoques basados en penalización (por ejemplo, Lasso) proporcionan estimaciones puntuales que no logran capturar la incertidumbre y pueden tener altas tasas de falsos positivos; los métodos bayesianos a menudo dependen de árboles filogenéticos externos para la agregación de características, lo cual puede no reflejar con precisión la similitud funcional respecto al desenlace clínico; y la agregación por árbol fijo asume que la proximidad evolutiva dicta la similitud del efecto, una premisa que los autores argumentan que es frecuentemente inválida para asociaciones específicas huésped-microbio.

Metodología: BRACE
Los autores proponen BRace (Bayesian Regression with Agglomerated Compositional Effects), un nuevo marco diseñado para la regresión composicional de alta dimensionalidad que realiza simultáneamente la selección de variables, el agrupamiento adaptativo a los datos y aplica la restricción de log-contraste. El método se construye sobre un modelo bayesiano jerárquico con tres componentes clave:

1. Prior de Spike-and-Cluster (Pico y Agrupamiento): El modelo introduce indicadores de actividad binaria ($s_j$) para cada predictor para realizar la selección de variables (componente de pico). Para el conjunto activo, se aplica un prior de partición de Ewens (derivado del Proceso de Restaurante Chino) para agrupar los coeficientes activos en cúmulos (clusters). Esto permite que los taxones con efectos similares sobre el desenlace compartan un coeficiente de regresión común, facilitando la agregación adaptativa a los datos sin depender de árboles externos.
2. Prior Gaussiano Restringido: Para satisfacer la restricción composicional $\mathbf{1}^\top \beta = 0$, el modelo emplea un prior gaussiano restringido basado en proyección sobre los efectos a nivel de cúmulo ($\theta$). Específicamente, un vector gaussiano no restringido se proyecta sobre el hiperplano definido por los tamaños de los cúmulos ($w^\top \theta = 0$). Esto asegura que los coeficientes de regresión inducidos $\beta = Z\theta$ satisfagan estrictamente la restricción de suma cero dentro del espacio de parámetros válido.
3. Inferencia Posterior: Los autores desarrollan un muestreador de Gibbs para realizar la inferencia posterior. Una innovación técnica clave es el muestreo eficiente de las etiquetas de los cúmulos y sus efectos, respetando la restricción del hiperplano. Esto implica integrar los efectos de los cúmulos para obtener una verosimilitud marginal colapsada para las actualizaciones de las etiquetas y utilizar un algoritmo rápido para la simulación desde distribuciones normales multivariadas truncadas por un hiperplano.

Resultados Clave
El rendimiento de BRACE fue evaluado mediante extensos estudios de simulación y una aplicación con datos del mundo real:

• Estudios de Simulación:

  • Escenario 1 (Señal Estructurada): En entornos controlados con señal estructurada y dependencia, BRACE alcanzó consistentemente el error de predicción y la pérdida $L_2$ más bajos o cercanos a los mínimos en comparación con sus competidores (Lasso CLR, Lasso Comp, BAZE, BCGLM). Demostró una capacidad superior para recuperar estructuras de cúmulos reales (alto Índice de Rand Ajustado) y mantuvo intervalos de credibilidad predictiva bien calibrados.
  • Escenario 2 (Datos ORIGINS semi-sintéticos): Mimando la complejidad de los datos reales del microbioma oral, BRACE superó a todos los métodos de referencia a través de diversas relaciones señal-ruido. Notablemente, en niveles altos de señal, BRACE logró una selección de variables perfecta (cero falsos positivos y cero falsos negativos), una propiedad que los métodos competidores no comparten.
  • Selección de Variables: Los autores introdujeron un criterio nulo práctico que combina la probabilidad de inclusión posterior con un filtro de magnitud ($Pr(|\beta_j| > \epsilon | y) > 0.90$) para controlar eficazmente la Tasa de Falsos Descubrimientos (FDR) en diseños correlacionados.

• Aplicación a Datos Reales (Estudio ORIGINS):

  • Aplicado al Estudio de Infecciones Orales, Intolerancia a la Glucosa y Resistencia a la Insulina, BRACE identificó 17 características agrupadas en cuatro cúmulos no nulos asociados con los niveles de insulina en ayunas.
  • El método identificó taxones específicos (por ejemplo, Tannerella forsythia, especies de Prevotella) con asociaciones positivas a la resistencia a la insulina.
  • Crucialmente, los cúmulos adaptativos a los datos no siguieron estrictamente la proximidad filogenética. Por ejemplo, especies estrechamente relacionadas exhibieron direcciones de efecto opuestas, y taxones filogenéticamente distantes fueron agrupados debido a efectos funcionales compartidos. Esto confirmó la hipótesis de los autores de que los árboles filogenéticos por sí solos son insuficientes para guiar el análisis de asociación en este contexto.
  • El análisis funcional (vía PICRUSt2) reveló que los cúmulos identificados correspondían a perfiles funcionales distintos, respaldando la relevancia biológica de las agrupaciones adaptativas a los datos.

Significancia y Reivindicaciones
El artículo sostiene que BRACE representa el primer método bayesiano para la regresión composicional de alta dimensionalidad que ofrece una agregación de características flexible y adaptativa a los datos y selección sin depender de estructuras filogenéticas externas fijas. Sus principales contribuciones son:

1. Innovación Metodológica: La integración del prior de partición de Ewens con un prior gaussiano restringido basado en proyección permite la imposición de la restricción de log-contraste directamente sobre los coeficientes de regresión, permitiendo al mismo tiempo un agrupamiento flexible de efectos.
2. Desempeño Superior: BRACE demuestra una capacidad superior de predicción, reducción de dimensiones y selección de características en comparación con los métodos de vanguardia existentes, particularmente en escenarios que involucran rasgos raros y efectos compartidos.
3. Interpretabilidad: Al agrupar los taxones con efectos similares, el método genera modelos más interpretables y proporciona un mecanismo para manejar rasgos raros colapsándolos en agrupaciones más densas y robustas.

Limitaciones
Los autores reconocen que el costo computacional del muestreador de Gibbs colapsado puede ser alto, particularmente cuando el número de cúmulos inferidos es grande en relación con el número de predictores, debido a las repetidas inversiones de matrices. Sugieren que el trabajo futuro podría centrarse en el desarrollo de estrategias de inferencia aproximada (por ejemplo, la inferencia variacional de Bayes) para mejorar la escalabilidad. Además, aunque el método maneja los ceros mediante el preprocesamiento estándar de pseudocuentos, no modela explícitamente la inflación de ceros dentro de la estructura de verosimilitud.