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

Resumen Técnico: Integración de Datos Multimodales y Consulta Transmodal mediante el Paso de Mensajes Aproximado Orquestado

Formulación del Problema
El artículo aborda el desafío de integrar datos multimodales donde se miden múltiples conjuntos de características complementarias sobre el mismo conjunto de muestras, un escenario prevalente en estudios de multiómica de célula única (por ejemplo, la medición simultánea del transcriptoma, proteínas de superficie y accesibilidad de la cromatina). Los autores modelan esto como un problema multifactorial dependiente que involucra $m$ conjuntos de datos de alta dimensión ($X_h \in \mathbb{R}^{N \times p_h}$) y $\tilde{m}$ conjuntos de datos de baja dimensión ($\tilde{X}_\ell \in \mathbb{R}^{N \times r_\ell}$).

Se asume que los componentes de la señal en estas matrices surgen de estructuras de bajo rango impulsadas por factores latentes. Específicamente, las señales de alta dimensión se modelan como $X_h = \frac{1}{\sqrt{N}} U_h D_h V_h^\top + W_h$, y las de baja dimensión como $\tilde{X}_\ell = \tilde{U}_\ell L_\ell^\top + \tilde{W}_\ell$. Crucialmente, se asume que los vectores de factores latentes ($U_h$ y $\tilde{U}_\ell$) para un mismo sujeto a través de diferentes modalidades son dependientes, extraídos de una distribución previa conjunta $\mu$. El objetivo es doble:

1. Integración de Datos: Recuperar conjuntamente las señales latentes ($U_h, V_h, \tilde{U}_\ell$) a partir de la colección de matrices con ruido.
2. Consulta Transmodal: Dado un nuevo sujeto de "consulta" con observaciones parciales (un subconjunto de modalidades y/o un subconjunto de características dentro de las modalidades), construir un conjunto de predicción estadísticamente válido para la representación latente completa del sujeto.

Se señala que los métodos existentes (p. ej., WNN, MOFA+, totalVI) dependen de heurísticas que carecen de fundamentos matemáticos rigurosos para la generalización y, críticamente, no proporcionan cuantificación de la incertidumbre para las predicciones.

Metodología: OrchAMP
Los autores proponen Orchestrated Approximate Message Passing (OrchAMP), un algoritmo totalmente basado en datos diseñado para lograr una recuperación de señal estadísticamente óptima y construir conjuntos de predicción.

1. Inicialización: El algoritmo comienza con una descomposición en valores singulares (SVD) de las matrices de datos observados para obtener estimaciones iniciales de los factores latentes. Luego estima los parámetros de molestia (intensidades de la señal y estructuras de covarianza) y aprende las distribuciones previas empíricas ($\hat{\mu}$ y $\hat{\nu}_h$) mediante un enfoque de Bayes Empírico.
2. Refinamiento Iterativo: OrchAMP realiza actualizaciones sincrónicas a través de múltiples "órbitas" (una para cada modalidad). En cada iteración $t$:
   • Denosing (Eliminación de Ruido): El algoritmo aplica denoisers por fila ($u_{t,h}$ y $v_{t,h}$) que son expectativas condicionales de los factores latentes dadas las estimaciones actuales y las distribuciones previas aprendidas. Estos denoisers integran información de todas las modalidades simultáneamente.
   • Evolución de Estado: El algoritmo rastrea la distribución asintótica de las estimaciones utilizando parámetros de evolución de estado ($\Sigma, S$) que evolucionan recursivamente.
   • Corrección de Onsager: Para asegurar que las estimaciones se comporten como ruido gaussiano independiente en el límite de alta dimensión, el algoritmo resta términos que involucran los jacobianos de los denoisers (correcciones de Onsager) de las actualizaciones actuales.
3. Construcción del Conjunto de Predicción: Para un sujeto de consulta con observaciones parciales, el método primero calcula una estimación puntual de los factores latentes utilizando mínimos cuadrados y el atlas aprendido. Luego aprovecha la normalidad asintótica de las iteraciones de OrchAMP para definir una distribución condicional para los factores latentes de la consulta. Un conjunto de predicción se construye como una bola $\ell_2$ centrada en la estimación puntual, con un radio determinado por el $(1-\alpha)$-cuantil de la distancia euclidiana bajo la distribución condicional, asegurando la validez asintótica.

Contribuciones Clave

1. Algoritmo OrchAMP: La propuesta de un algoritmo totalmente basado en datos para la estimación integrativa de componentes de señal en modelos de factores multimodales dependientes. El método maneja rangos de señal variables entre modalidades e incorpora información específica de cada modalidad sin destruirla durante la integración.
2. Justificación Teórica:
   • Normalidad Asintótica: Los autores establecen la normalidad asintótica de "gran $N$" de todas las iteraciones del algoritmo bajo condiciones generales para una amplia gama de distribuciones previas.
   • Optimalidad Bayesiana: Bajo una condición de punto fijo único en la evolución de estado, se demuestra que los estimadores alcanzan la optimalidad de Bayes asintótica (minimizando el error cuadrático medio).
   • Conjuntos de Predicción: El artículo proporciona la primera construcción de conjuntos de predicción asintóticamente válidos para sujetos de consulta en un entorno multimodal. Estos conjuntos siguen siendo válidos incluso si la condición de punto fijo único no se cumple.
3. Validación Empírica: El método se valida con datos sintéticos y datos reales de TEA-seq de célula única (transcriptoma, epítopos, accesibilidad de la cromatina).

Resultos

• Datos Sintéticos: En simulaciones, OrchAMP supera al PCA de Bayes Empírico (EB-PCA) y a la SVD estándar, particularmente cuando las relaciones señal-ruido (SNR) son bajas o cuando la dependencia intermodal ($\rho$) es alta. La ganancia de rendimiento es más pronunciada para las modalidades con señales más débiles, demostrando el beneficio de tomar prestada la fuerza de las otras modalidades.
• Cobertura de Predicción: En experimentos de muestra finita, los conjuntos de predicción del 95% construidos alcanzaron probabilidades de cobertura empírica cercanas al nivel nominal (p. ej., 0.92–0.98), demostrando la capacidad del método para proporcionar una cuantificación de la incertidumbre bien calibrada.
• Datos Reales (TEA-seq): En un conjunto de datos de PBMC humano, OrchAMP logró un rendimiento de agrupamiento (medido por el coeficiente de silueta, la medida V, el ARI y cLISI) comparable a herramientas de vanguardia como Seurat WNN y MOFA+.
• Consulta: Al consultar el atlas construido con células medidas en una sola modalidad, se demostró que los conjuntos de predicción resultantes son altamente informativos, ocupando típicamente un subconjunto específico del clúster del tipo celular correcto en lugar de solo proporcionar una etiqueta vaga.

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco estadístico riguroso para la integración de datos multimodales que va más allá de los enfoques heurísticos. Su principal significancia radica en:

• Garantías Teóricas: Ofrecer garantías de rendimiento demostrables y optimalidad asintótica bajo un modelo de factores dependientes estilizado pero realista.
• Cuantificación de la Incertidumbre: Es el primer método en generar atlas que permiten conjuntos de predicción asintóticamente válidos para nuevos sujetos con observaciones parciales, abordando una brecha crítica en las prácticas actuales de transferencia de etiquetas, donde la incertidumbre rara vez se cuantifica.
• Generalidad: Aunque motivado por la multiómica de célula única, el modelo y la teoría propuestos son generales y aplicables a cualquier entorno que involucre señales de bajo rango dependientes a través de múltiples fuentes de datos.

Los autores enfatizan que, si bien su método iguala las capacidades de segregación de células de las herramientas existentes, ofrece de manera única un camino teóricamente justificable para la consulta transmodal con incertidumbre cuantificada.