Multiple Hypothesis Testing To Estimate The Number Of Communities in Stochastic Block Models

Resumen Técnico: Pruebas de Múltiples Hipótesis para Estimar el Número de Comunidades en Modelos de Bloques Estocásticos

Autores: Chetkar Jha, Mingyao Li, Ian Barnett
Fecha: 17 de febrero de 2026

1. El Problema

El agrupamiento (clustering) de conjuntos de datos de secuenciación de ARN de células individuales (scRNA-seq) es fundamental para comprender la heterogeneidad celular y las funciones biológicas. Sin embargo, existen desafíos significativos:

• Ruido y Calidad de Datos: Los datos de scRNA-seq son inherentemente ruidosos debido a células de baja calidad, genes con pocos conteos y variabilidad técnica, lo que oscurece las señales biológicas.
• Dependencia de Parámetros: Los métodos existentes de detección de comunidades basados en redes (como Louvain o Leiden) requieren conocer a priori el número verdadero de comunidades o dependen de una sintonización fina de hiperparámetros (ej. número de vecinos más cercanos), lo que hace que los resultados sean sensibles y poco robustos.
• Limitaciones de los Métodos Actuales: Aunque existen métodos para estimar el número de comunidades en Modelos de Bloques Estocásticos (SBM), muchos son computacionalmente costosos, asumen redes densas, o fallan cuando la relación "fuera-dentro" (out-in ratio) es alta, una característica común en redes derivadas de scRNA-seq.

2. Metodología Propuesta

Los autores proponen una solución de dos partes para abordar estos problemas:

A. Extracción de Redes SBM a partir de scRNA-seq:

• Se implementa un proceso de filtrado y normalización logarítmica estándar.
• Se construye una matriz de adyacencia a partir de la matriz de correlación de los datos, aplicando un umbral basado en cuantiles.
• Selección de Hiperparámetros: En lugar de fijar hiperparámetros arbitrariamente, el método realiza una búsqueda en cuadrícula (grid-search) sobre parámetros de filtrado ($\eta$), umbral de correlación ($\kappa$) y nivel de significancia ($\alpha$). Se selecciona la configuración que maximiza la verosimilitud logarítmica bajo el modelo SBM, asegurando que la red extraída se asemeje lo más posible a un SBM.

B. Método de Pruebas Múltiples Secuenciales (SMT):

• Idea Central: Un SBM con $K$ bloques se puede ver como $K$ bloques distintos de grafos Erdős-Rényi. El objetivo es estimar $K$ probando si los bloques identificados siguen una distribución Erdős-Rényi.
• Estadístico de Prueba: Se utiliza el segundo eigenvalor de la matriz de adyacencia escalada y centrada de cada bloque candidato.
  • El primer eigenvalor representa la señal (tamaño del bloque), mientras que el segundo eigenvalor representa el ruido.
  • Bajo la hipótesis nula ($H_0$), el segundo eigenvalor sigue una distribución de Tracy-Widom ($TW_1$).
• Procedimiento Secuencial:
  1. Se inicia con $\hat{K}=1$.
  2. Se estima la membresía de las comunidades y se calculan los estadísticos de prueba para los bloques.
  3. Se realiza una prueba de hipótesis múltiple. Si se acepta $H_0$ (todos los bloques son Erdős-Rényi), se detiene y se fija $\hat{K}$. Si se rechaza, se incrementa $\hat{K}$ y se repite.
  4. Manejo de la Asimetría: Para optimizar la potencia, si la probabilidad de conexión dentro de un bloque es mayor a 0.5, se utiliza el complemento del grafo (donde la probabilidad es $<0.5$) para la prueba, garantizando que la discrepancia sea medible.

3. Contribuciones Clave

1. Nuevo Algoritmo SMT: Propone un procedimiento de pruebas múltiples secuenciales para estimar el número de comunidades en SBMs, tanto en regímenes semiesparzos como densos.
2. Propiedades Teóricas: Establecen la consistencia del estimador $\hat{K}$ bajo condiciones de esparsidad moderada. Demuestran que la probabilidad de error tipo I está controlada y que la potencia asintótica es 1 (es decir, rechazan correctamente cualquier modelo subajustado).
3. Robustez ante la Relación Fuera-Dentro: A diferencia de métodos espectrales tradicionales (como GoF de Lei, 2016) que usan el primer eigenvalor y son sensibles a la relación fuera-dentro, SMT utiliza el segundo eigenvalor, haciéndolo más robusto en redes ruidosas y dispersas típicas de scRNA-seq.
4. Independencia de Hiperparámetros: El marco de trabajo selecciona automáticamente los mejores hiperparámetros mediante maximización de verosimilitud, eliminando la necesidad de ajuste manual subjetivo.

4. Resultados

• Simulaciones Numéricas:
  • Se comparó SMT con métodos existentes (LRBIC, StGoF, NCV, ECV, BHMC, EigCV).
  • Rendimiento: SMT demostró un rendimiento competitivo, superando o igualando a los mejores métodos en la mayoría de los escenarios.
  • Robustez: SMT mostró ser el menos sensible al aumento de la relación fuera-dentro (out-in ratio). Mientras otros métodos (especialmente los basados en validación cruzada o espectrales densos) colapsaban con relaciones fuera-dentro altas, SMT mantuvo una alta precisión.
  • Escalabilidad: Funcionó bien tanto en redes pequeñas como grandes ($N=5000$) y con un número creciente de comunidades ($K=15, 20$).
• Análisis de Datos Reales:
  • Datasets de Referencia: Se aplicó a seis conjuntos de datos de referencia de scRNA-seq (Gold Standard). El método logró estimar el número correcto de comunidades, superando ligeramente a SC3 en precisión.
  • Datos de Células Bipolares de Retina Humana: Se utilizó para identificar subgrupos de células en un dataset de retina. El método logró una segmentación biológicamente significativa sin fijar hiperparámetros manualmente.

5. Significado e Impacto

Este trabajo es significativo porque aborda una de las limitaciones más críticas en el análisis de scRNA-seq: la dependencia de la sintonización manual de parámetros y la fragilidad ante el ruido.

• Biología Computacional: Proporciona una herramienta robusta para descubrir subtipos celulares en datos ruidosos, lo cual es crucial para entender procesos biológicos latentes.
• Avance Estadístico: Introduce un enfoque basado en pruebas de hipótesis secuenciales que explota las propiedades espectrales de los grafos Erdős-Rényi, ofreciendo garantías teóricas de consistencia en regímenes de esparsidad donde otros métodos fallan.
• Práctica: Al eliminar la necesidad de ajuste manual de hiperparámetros, hace que el análisis de redes biológicas sea más reproducible y accesible para investigadores que no son expertos en optimización de parámetros.

En resumen, el paper presenta un marco teórico y práctico sólido para la detección de comunidades en redes biológicas complejas, priorizando la robustez estadística y la eficiencia computacional.