Inference on covariance structure in high-dimensional multi-view data

1. Planteamiento del Problema

El artículo aborda el desafío de estimar la estructura de covarianza en datos multi-vista (o multi-ómica), donde se observan múltiples conjuntos de datos (vistas) sobre las mismas unidades experimentales (ej. muestras de pacientes), pero cada vista tiene características distintas (diferentes dimensionalidades, distribuciones y relaciones señal-ruido).

• Limitaciones de los métodos existentes:
  • Enfoques Bayesianos tradicionales (MCMC/Var): Los métodos actuales, como el Análisis de Factores Multi-ómica (MOFA), suelen basarse en descomposiciones factoriales con factores latentes compartidos y específicos de cada vista. La inferencia posterior se realiza mediante Muestreo de Cadenas de Markov (MCMC) o aproximaciones variacionales. Estos métodos son computacionalmente costosos, frágiles, y las aproximaciones variacionales a menudo subestiman la incertidumbre y carecen de garantías teóricas.
  • Problema de heterogeneidad: Cuando las vistas tienen dimensiones o relaciones señal-ruido muy dispares, los factores latentes que actúan solo en vistas pequeñas o ruidosas tienden a ser mal estimados o descartados por métodos que usan criterios de información o priors de contracción.
  • Falta de cuantificación de incertidumbre: Métodos de factorización de matrices como JIVE (Joint and Individual Variation Explained) ofrecen estimaciones puntuales rápidas pero no proporcionan intervalos de confianza ni cuantificación de incertidumbre.

2. Metodología Propuesta: FAMA

Los autores proponen FAMA (Factor Analysis for Multi-view data via spectral Alignment), un enfoque que combina descomposiciones espectrales con regresión bayesiana sustituta para lograr una inferencia escalable y teóricamente fundamentada.

El procedimiento se divide en tres etapas principales:

A. Estimación Espectral de Factores Latentes

En lugar de inferir directamente qué factores son activos en cada vista (lo cual es computacionalmente difícil), FAMA estima primero los factores latentes globales que están activos en al menos una vista.

1. Descomposición por vista: Se realiza una Descomposición en Valores Singulares (SVD) para cada vista $Y_m$ individualmente para obtener proyecciones ortogonales $P_m$ sobre los subespacios de señal.
2. Alineación Espectral: Se calcula la media empírica de estas proyecciones ($\tilde{P} = \frac{1}{M}\sum P_m$).
3. Estimación Global: Se realiza una SVD sobre $\tilde{P}$ para obtener la matriz de factores latentes estimados $\hat{F}$.
   • Ventaja: Este paso permite estimar los factores con precisión independientemente de la heterogeneidad en la relación señal-ruido entre vistas, aprovechando la "bendición de la dimensión" (la precisión aumenta con la dimensión).

B. Inferencia de Cargas y Varianzas Residuales (Regresión Bayesiana Sustituta)

Una vez estimados los factores $\hat{F}$, se tratan como covariables observadas para inferir las cargas ($\Lambda$) y las varianzas residuales ($\Psi$).

1. Modelo de Regresión: Se plantea un problema de regresión multivariante sustituta: $Y_m \approx \hat{F}\tilde{\Lambda}_m^T + \tilde{E}_m$.
2. Priors Conjugados: Se utilizan distribuciones previas conjugadas Normal-Inversa Gamma para las cargas y varianzas. Esto permite obtener la distribución posterior de forma analítica (producto de distribuciones Normal-Inversa Gamma), evitando por completo el MCMC.
3. Corrección de Cobertura: Se demuestra que la posterior estándar tiende a subestimar la varianza (subcobertura). Para corregirlo, se introduce un factor de inflación de varianza $\rho_m > 1$, calculado de manera adaptativa a los datos, garantizando una cobertura frecuentista válida asintóticamente.

C. Selección de Hiperparámetros

El método incluye criterios automáticos para:

• Estimar la dimensión latente de cada vista ($k_m$) y la dimensión global ($k_0$) utilizando un criterio de información basado en la verosimilitud conjunta.
• Ajustar los parámetros de escala de los priors y los factores de inflación de varianza ($\rho_m$) para asegurar la validez de los intervalos de credibilidad.

3. Contribuciones Clave

1. Estimación Espectral de Factores: Un nuevo enfoque basado en la alineación espectral que estima factores activos en cualquier vista sin necesidad de identificar explícitamente su pertenencia a vistas específicas en la etapa inicial.
2. Cálculo Bayesiano Escalable: Un método que proporciona inferencia bayesiana completa (distribuciones posteriores) sin MCMC, logrando una velocidad de cálculo órdenes de magnitud superior a los métodos competidores.
3. Cuantificación Rigurosa de Incertidumbre: Proporciona intervalos de credibilidad con cobertura frecuentista válida, corrigiendo el sesgo de subcobertura típico de las aproximaciones de regresión sustituta.
4. Soporte Teórico Asintótico: Demuestran propiedades de contracción posterior, teoremas del límite central (CLT) para los estimadores puntuales y resultados tipo Bernstein-von Mises para la distribución posterior, bajo un régimen de doble asintótica (donde tanto el tamaño de muestra $n$ como las dimensiones $p_m$ tienden a infinito).

4. Resultados Experimentales

Los autores evaluaron FAMA mediante simulaciones y una aplicación real:

• Simulaciones:

  • Escenarios Balanceados y Desbalanceados: Se probaron configuraciones con vistas de dimensiones y relaciones señal-ruido muy diferentes.
  • Rendimiento: FAMA superó o igualó a métodos como MOFA, AJIVE, FABLE y ROTATE en la precisión de estimación de covarianzas intra-vista e inter-vista.
  • Incertidumbre: FAMA fue el único método que logró una cobertura de intervalos de credibilidad cercana al nivel nominal (95%) en todos los escenarios, mientras que otros (como FABLE) mostraron subcobertura significativa.
  • Velocidad: FAMA fue extremadamente rápido (segundos), superando por órdenes de magnitud a MOFA y ROTATE (que tardaron minutos u horas).

• Aplicación Real (Datos Multi-ómica de Cáncer):

  • Se aplicó a un conjunto de datos de Vasaikar et al. (2017) con cuatro vistas: expresión génica (RNA-seq), variación en el número de copias (SCNV), metilación de ADN y expresión de proteínas (RPPA).
  • Resultados Biológicos: FAMA identificó estructuras de correlación biológicamente interpretables, como módulos de genes inmunitarios, programas intrínsecos tumorales y patrones inversos de metilación asociados a receptores de estrógeno.
  • Verosimilitud: El modelo FAMA obtuvo la mejor verosimilitud fuera de la muestra (out-of-sample log-likelihood) en la mayoría de las comparaciones, indicando una mejor capacidad predictiva.

5. Significado e Impacto

El trabajo de Mauri y Dunson es significativo porque resuelve la tensión entre la escalabilidad computacional y la rigurosidad inferencial en el análisis de datos multi-vista de alta dimensión.

• Superación de barreras computacionales: Al eliminar la necesidad de MCMC, hace viable el análisis bayesiano de grandes conjuntos de datos multi-ómica que antes eran intratables o requerían aproximaciones de baja calidad.
• Fiabilidad estadística: Proporciona garantías teóricas sólidas sobre la validez de los intervalos de confianza, algo crítico en aplicaciones biomédicas donde la toma de decisiones depende de la incertidumbre estimada.
• Flexibilidad: El enfoque de alineación espectral es robusto ante la heterogeneidad de las vistas, un problema común en datos reales que afecta a los métodos de factorización conjunta tradicionales.

En resumen, FAMA establece un nuevo estándar para la inferencia de covarianza en datos multi-vista, ofreciendo una herramienta rápida, precisa y teóricamente fundamentada para la integración de datos complejos en biología y medicina de precisión.