Spectral decomposition-assisted multi-study factor analysis

Resumen Técnico: Descomposición Espectral asistida por Análisis de Factores Multiestudio (BLAST)

Planteamiento del Problema
El artículo aborda el desafío de la estimación de la covarianza en datos de múltiples estudios, particularmente en entornos de alta dimensionalidad como la ómica, donde la variación sustancial entre estudios suele obstaculizar la replicación de los hallazgos. El objetivo es analizar conjuntamente datos de múltiples estudios ($S$) para distinguir entre componentes comunes (compartidos) y componentes específicos de cada estudio. Los autores se centran en el modelo de análisis factorial:
$$y_{si} = \Lambda \eta_{si} + \Gamma_s \phi_{si} + e_{si}$$
donde $\Lambda$ representa las cargas compartidas, $\Gamma_s$ las cargas específicas del estudio, $\eta_{si}$ y $\phi_{si}$ son los factores latentes, y $e_{si}$ es el ruido residual.

Los enfoques existentes enfrentan limitaciones significativas:

1. Cuellos de botella computacionales: Los métodos de Máxima Verosimilitud (EM) y Bayesianos (muestreo de Gibbs) sufren de convergencia lenta y problemas de mezcla cuando el número de variables ($p$) es grande.
2. Inferencia Variacional (VI): Aunque es más rápida, los algoritmos de VI suelen carecer de garantías teóricas, subestiman la incertidumbre y ofrecen una precisión de estimación insatisfactoria.
3. Identificabilidad y Métodos Espectrales: Los enfoques espectrales previos a menudo no logran proporcionar cuantificación de la incertidumbre o requieren supuestos restrictivos (por ejemplo, cargas ortogonales o un $p$ extremadamente grande) para ser competitivos. Además, el modelo no es identificable sin restricciones específicas, y las restricciones existentes (como requerir rango completo de las cargas combinadas) no siempre se aplan en la estimación, lo que conduce a un bajo rendimiento.

Metodología: BLAST
Los autores proponen BLAST (Análisis Latente Bayesiano mediante Entrenamiento Espectral), una metodología que combina la descomposición espectral para la estimación de factores con la regresión bayesiana de sustitución para la inferencia. El procedimiento evita el costoso muestreo de Markov Chain Monte Carlo (MCMC).

1. Estimación Espectral de Factores Latentes:

   • Separación de Compartido vs. Específico: El método calcula la descomposición en valores singulares (SVD) para la matriz de datos de cada estudio para obtener matrices de proyección sobre los subespacios dominantes.
   • Promedio de Proyecciones: Estas proyecciones específicas de cada estudio se promedian. La señal a lo largo de los ejes compartidos se preserva, mientras que las direcciones específicas del estudio se atenúan. Los vectores singulares principales de esta matriz promedio estiman el subespacio compartido ($\Lambda$).
   • Proyección Ortogonal: El subespacio compartido se proyecta para aislar la variación específica del estudio, permitiendo la estimación de los factores específicos del estudio ($\phi_{si}$). Inversamente, los factores específicos del estudio se regresan para aislar la variación compartida para la estimación de los factores compartidos ($\eta_{si}$).
   • Selección de Dimensiones: Las dimensiones latentes ($k_0$ para lo compartido, $q_s$ para lo específico) se estiman utilizando una combinación de un Criterio de Información Conjunto (JIC) y una regla de brecha espectral (método del codo) sobre la matriz de proyección promedio.

2. Regresión Bayesiana de Sustitución:

   • Condicionado a los factores latentes estimados, el problema se reduce a $p$ problemas de regresión separados para las matrices de carga ($\Lambda$ y $\Gamma_s$).
   • Prios: Se colocan priors normales de inversión-gamma conjugados sobre las filas de las matrices de carga y las varianzas residuales.
   • Computación de la Posterior: Las distribuciones posteriores se derivan analíticamente. La media posterior corresponde a una solución de regresión Ridge.
   • Paralelización: Debido a la independencia de las filas en la especificación de los priors, la posterior se factoriza a través de los resultados, permitiendo una paralelización masiva y evitando el MCMC.

3. Cuantificación de la Incertidumbre y Calibración:

   • Los autores señalan que los intervalos de credibilidad estándar de la posterior de sustitución sufren de una ligera sub-cobertura.
   • Inflación de la Varianza: Para lograr una cobertura frecuentista asintóticamente válida, se deriva analíticamente un factor de inflación de la varianza ($\rho$) basado en las relaciones señal-ruido de las cargas estimadas. Este factor se ajusta para asegurar que los intervalos de credibilidad tengan una cobertura asintótica correcta.
   • Empirical Bayes: Los hiperparámetros (varianzas de los priors) se estiman mediante Empirical Bayes para asegurar la adaptabilidad a los datos.

Contribuciones Teóricas Clave
El artículo establece garantías frecuentistas sólidas en un régimen de doble asintótica donde tanto el tamaño de la muestra ($n$) como la dimensión ($p$) divergen:

• Consistencia: Los estimadores de punto para los componentes de bajo rango ($\Lambda\Lambda^\top$ y $\Gamma_s\Gamma_s^\top$) son consistentes.
• Tasas de Contracción: Las posteriores se contraen alrededor de los parámetros reales a tasas de $O(1/\sqrt{n} + 1/\sqrt{p})$.
• Teorema del Límite Central (CLT): Los estimadores elemento a elemento son asintóticamente normales.
• Teorema de Bernstein-von Mises: La distribución posterior inducida sobre los componentes de bajo rango converge a una distribución Gaussiana centrada en el parámetro real con una estructura de varianza específica, justificando el uso de los factores de inflación de la varianza para intervalos de credibilidad válidos.
• Bendición de la Dimensionalidad: El error de aproximación disminuye a medida que tanto el tamaño de la muestra como la dimensión de los datos aumentan, formalizando una "bendición de la dimensionalidad" para esta clase de modelos.

Resultados Empíricos
Experimentos numéricos comparan BLAST contra Inferencia Variacional (SVI, CAVI), el estimador espectral de Ando & Bai (2017) y enfoques basados en MCMC (en material suplementario).

• Precisión: BLAST supera sustancialmente a los métodos variacionales en la estimación tanto de los componentes de varianza de bajo rango como de los factores latentes. Es competitivo o superior al estimador espectral de Ando & Bai, particularmente cuando las cargas no son estrictamente ortogonales o cuando $p$ no es extremadamente grande.
• Cuantificación de la Incertidumbre: BLAST proporciona intervalos de credibilidad del 95% bien calibrados (cerca del 95% de cobertura), mientras que los métodos variacionales sufren de una severa sub-cobertura (a menudo por debajo del 30-50%).
• Velocidad Computacional: BLAST es significativamente más rápido que MCMC y competitivo o incluso más rápido que VI y los métodos espectrales, escalando eficientemente a miles de variables.
• Aplicación a Datos Reales: El método se aplicó para integrar tres estudios de expresión génica (proyecto ImmGen) que involucran células inmunes. BLAST escaló con éxito a miles de genes (2,846 y 7,870 genes), superando a los competidores en la precisión de predicción fuera de la muestra (MSE) y en log-verosimilitud, proporcionando además intervalos predictivos fiables.

Significancia y Reivindicaciones
Los autores afirman que BLAST ofrece un "algoritmo rápido para obtener estimaciones de punto e intervalo precisas en el análisis de factores multiestudio" sin la fragilidad computacional de MCMC. La importancia del trabajo radica en:

1. Escalabilidad: Permite el análisis de datos multiestudio de alta dimensión (miles de genes) que anteriormente era computacionalmente prohibitivo para los métodos Bayesianos.
2. Rigor Teórico: Proporciona el primer conjunto de garantías frecuentistas sólidas (CLT, BvM, tasas de contracción) para un modelo de factores multiestudio bayesiano con componentes compartidos y específicos, formalizando la "bendición de la dimensionalidad".
3. Utilidad Práctica: Demuestra que la descomposición espectral puede combinarse eficazmente con la inferencia bayesiana para desenredar la variación compartida y específica, ofreciendo una alternativa robusta a la inferencia variacional, la cual tiende a subestimar la incertidumbre.

El artículo concluye que la metodología es particularmente adecuada para integrar conjuntos de datos genómicos para obtener estimaciones robustas de las asociaciones génicas y mejorar las inferencias sobre la covarianza intra y entre estudios en datos clínicos.