Bayesian nonparametric models for zero-inflated count-compositional data using ensembles of regression trees

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Modelos Bayesianos No Paramétricos para Datos de Conteo-Composicionales Inflados con Ceros Usando Ensembles de Árboles de Regresión

1. El Problema

Los datos de conteo-composicionales (donde las observaciones son conteos de categorías mutuamente excluyentes que suman un total fijo) son comunes en campos como la secuenciación de alto rendimiento, estudios ecológicos y reconstrucción paleoclimática. El análisis de estos datos enfrenta cuatro desafíos principales que los métodos existentes a menudo no abordan simultáneamente:

• Sobre-dispersión: La varianza es mayor que la media, violando las suposiciones de la distribución multinomial estándar.
• Exceso de ceros (Zero-inflation): Una proporción de ceros mucho mayor a la esperada bajo una distribución multinomial. Es crucial distinguir entre ceros estructurales (la categoría no puede ocurrir en ese contexto) y ceros de muestreo (ocurrió pero no se detectó).
• Heterogeneidad entre muestras: Dependencias complejas entre categorías que no son capturadas por modelos simples.
• Efectos de covariables complejos: Las relaciones entre las covariables (ej. clima, dieta) y las composiciones suelen ser no lineales y con interacciones, pero los métodos actuales a menudo asumen formas funcionales lineales paramétricas restrictivas.

La mayoría de los modelos existentes o bien asumen relaciones lineales (limitando la flexibilidad) o no modelan explícitamente los ceros estructurales, lo que lleva a estimaciones sesgadas de las probabilidades de conteo.

2. Metodología Propuesta

Los autores proponen dos nuevos modelos bayesianos no paramétricos basados en la extensión de la distribución ZANIM (Zero-and-N-inflated Multinomial), que ya permite manejar la inflación de ceros y la inflación de N (ceros en todas menos una categoría).

Los dos modelos principales son:

1. ZANIM-BART:

   • Extiende la distribución ZANIM asignando priors no paramétricos de Árboles de Regresión Aditivos Bayesianos (BART) a ambos componentes:
     • Probabilidades de conteo poblacional ($\theta$): Utiliza un prior logístico BART (Murray, 2021).
     • Probabilidades de ceros estructurales ($\zeta$): Utiliza un prior probit BART (Chipman et al., 2010).
   • Esto permite capturar efectos no lineales e interacciones de las covariables sin especificar la forma funcional a priori.

2. ZANIM-LN-BART:

   • Una extensión del modelo anterior que incorpora efectos aleatorios logístico-normales multivariados ($u_i$) en las probabilidades de conteo individuales.
   • Este componente adicional captura la sobre-dispersión y dependencias complejas entre categorías y muestras que no son explicadas por las covariables observadas.
   • Utiliza un hiperprior de proceso multiplicativo gamma para la selección de factores latentes, permitiendo una especificación parsimoniosa de la matriz de covarianza.

Inferencia:
Se desarrolla un algoritmo eficiente de MCMC (Monte Carlo vía Cadenas de Markov) que combina:

• Esquemas de aumentación de datos (data augmentation) para manejar la estructura de mezcla de la distribución ZANIM.
• Rutinas de muestreo estándar de BART (actualización de topologías de árboles mediante Metropolis-Hastings y muestreo de nodos terminales).
• Muestreo elíptico de slice para los efectos aleatorios gaussianos.

3. Contribuciones Clave

• Flexibilidad No Paramétrica: Son los primeros modelos que aplican BART a datos de conteo-composicionales, permitiendo modelar efectos no lineales y de interacción tanto en la parte de conteo como en la parte de ceros estructurales.
• Modelado Explícito de Ceros Estructurales: A diferencia de modelos como el ML-BART o MLN-GP, estos modelos distinguen explícitamente entre ceros de muestreo y ceros estructurales, reduciendo el sesgo en la estimación de las probabilidades de composición.
• Nuevas Extensiones Teóricas:
  • Introducción de la distribución ZANIM-LN (con efectos aleatorios logístico-normales).
  • Derivación de un modelo MLN-BART (Multinomial Logistic-Normal BART) como caso especial, que parece ser una novedad en la literatura.
• Algoritmo Eficiente: Se demuestra que es posible realizar inferencia bayesiana en estos modelos complejos mediante una combinación de esquemas de aumentación de datos y rutinas BART existentes, manteniendo la viabilidad computacional.

4. Resultados

Estudios de Simulación:

• Recuperación de Parámetros: Los modelos ZANIM-BART y ZANIM-LN-BART recuperaron con mayor precisión las probabilidades de conteo y de ceros estructurales en presencia de relaciones no lineales complejas, superando consistentemente a modelos basados en regresión lineal (DM-reg, ZANIDM-reg) y modelos con priors Gaussianos (MLN-GP).
• Robustez: Cuando los datos no tenían ceros estructurales, los modelos propuestos performaron tan bien como sus casos especiales (ML-BART, MLN-BART), demostrando que la componente de mezcla de ceros no introduce sesgo innecesario.
• Cobertura: Los intervalos de credibilidad del 95% mostraron una calibración superior (valores de cobertura cercanos a 0.95) en comparación con métodos que ignoran la estructura de ceros o asumen linealidad.
• Costo Computacional: Aunque los modelos BART son más lentos que las regresiones lineales, son computacionalmente viables (ej. ~130 segundos para n=400, d=4) y superan en escalabilidad a los modelos basados en Procesos Gaussianos (GP) para tamaños de muestra grandes.

Aplicaciones de Datos Reales:

1. Reconstrucción Paleoclimática (Datos de Polen):
   • Se analizaron 7,832 muestras de polen con 28 taxones y 3 covariables climáticas.
   • El modelo ZANIM-LN-BART proporcionó el mejor ajuste, capturando correctamente la sobre-dispersión, la inflación de ceros y la estructura composicional.
   • Los gráficos de dependencia parcial revelaron relaciones climáticas no lineales y multimodales (ej. respuesta unimodal de Picea a la temperatura) que otros modelos no pudieron detectar.
2. Microbioma Intestinal Humano:
   • Se analizó un conjunto de datos de 96 individuos con 13 géneros bacterianos y 108 covariables dietéticas.
   • ZANIM-LN-BART identificó asociaciones no lineales entre nutrientes y composiciones microbianas, mostrando una capacidad superior para la selección de variables y la detección de efectos no lineales en comparación con modelos de regresión con priors spike-and-slab.

5. Significado e Impacto

Este trabajo representa un avance significativo en el análisis de datos de conteo-composicionales al ofrecer un marco unificado que aborda simultáneamente la sobre-dispersión, la inflación de ceros (estructurales y de muestreo) y la complejidad de las relaciones con las covariables.

• Superación de Limitaciones: Elimina la necesidad de asumir formas funcionales lineales, lo cual es una restricción crítica en estudios ecológicos y paleoclimáticos donde las respuestas biológicas son inherentemente no lineales.
• Interpretabilidad: Al separar los ceros estructurales de los de muestreo, los investigadores pueden obtener inferencias más precisas sobre los mecanismos subyacentes (ej. ¿está una especie ausente por el clima o simplemente no se detectó?).
• Versatilidad: La metodología es aplicable a una amplia gama de campos, desde la ecología y la paleoclimatología hasta la genómica y la microbiología.
• Herramienta Computacional: Los autores han hecho disponible el código en R (zanicc), facilitando la adopción de estos métodos avanzados por la comunidad científica.

En resumen, los modelos ZANIM-BART y ZANIM-LN-BART establecen un nuevo estándar para el modelado flexible y robusto de datos de conteo composicionales complejos, combinando la potencia predictiva de los ensembles de árboles con la inferencia bayesiana rigurosa.