Pathway-based Bayesian factor models for 'omics data

Resumen Técnico: Modelos de Factores Bayesianos Basados en Vías para Datos de 'Ómicas

Autores: Lorenzo Mauri, Federica Stolf, Amy H. Herring, Cameron Miller y David B. Dunson (Universidad Duke).
Fecha: Marzo 2026.

1. El Problema

La interpretación de datos de secuenciación de ARN (RNA-seq) de alto rendimiento presenta desafíos significativos debido a la alta dimensionalidad (miles de genes) y el bajo número de muestras ($p \gg n$). El objetivo principal es identificar patrones de expresión génica coordinados que correspondan a vías biológicas conocidas.

• Limitaciones de los métodos actuales: Los modelos de factores estándar (como PCA o análisis factorial) reducen la dimensionalidad pero ignoran el conocimiento biológico previo.
• Deficiencias de PLIER: El estado del arte actual, PLIER (Pathway-Level Information Extractor), integra conocimiento de vías pero tiene limitaciones críticas:
  • Restringe las cargas factoriales a valores positivos, ignorando correlaciones negativas biológicamente significativas.
  • Es altamente sensible a la elección de hiperparámetros, requiriendo un ajuste costoso.
  • No proporciona cuantificación de incertidumbre (UQ) en las estimaciones de la matriz de covarianza.
  • A menudo falla en recuperar la estructura de correlación empírica de los genes.

2. Metodología: BASIL

Los autores proponen BASIL (Bayesian Analysis with gene-Sets Informed Latent space), un marco de inferencia bayesiana escalable que integra conjuntos de genes anotados directamente en la inferencia de variables latentes.

• Modelo Estadístico:
  Se modela la matriz de expresión génica $Y$ ($n \times p$) como:
  $$Y = M\Lambda^T + \epsilon$$
  Donde $\Lambda$ es la matriz de cargas. La innovación clave es la descomposición de $\Lambda$ en dos componentes:
  $$\Lambda = C\Gamma + \Psi$$

  • $C$: Matriz binaria de conjuntos de genes (vías biológicas conocidas).
  • $\Gamma$: Matriz de cargas que vincula los factores latentes con las vías conocidas (componente estructurado).
  • $\Psi$: Matriz de cargas no estructurada que captura variación no explicada por las vías conocidas (componente residual).
  • Se impone que $\Psi$ pertenezca al espacio nulo de $C$ para garantizar la identificabilidad.

• Priors y Regularización:
  Se utilizan priores de contracción (shrinkage) jerárquicos sobre los elementos de $\Gamma$ y $\Psi$. Esto permite que el modelo aprenda adaptativamente la fuerza de la señal biológica frente al ruido residual. Si la información de las vías es dominante, el modelo colapsa hacia un modelo más simple; si no, aprende componentes nuevos.

• Algoritmo de Inferencia Escalable:
  Para evitar el costoso muestreo MCMC (Markov Chain Monte Carlo) en alta dimensión, BASIL utiliza un enfoque de pre-entrenamiento:

  1. Estima inicialmente los factores latentes ($M$) mediante descomposición SVD (similar a PCA).
  2. Aprovecha la "bendición de la dimensionalidad": a medida que $p$ crece, la incertidumbre en $M$ se vuelve despreciable.
  3. Calcula la distribución posterior de las cargas ($\Lambda$) condicional a la estimación de $M$, lo que se reduce a tareas de regresión lineal multivariante conjugadas.
  4. Se aplica una corrección de cobertura empírica para garantizar intervalos de credibilidad válidos.

• Selección de Hiperparámetros:
  BASIL elimina la necesidad de ajuste manual mediante un procedimiento de Bayes Empírico Automático que selecciona el número de factores (usando un criterio de información basado en verosimilitud conjunta, JIC) y los coeficientes de contracción de los priores.

3. Contribuciones Clave

1. Integración Estructurada: Incorpora conocimiento de vías biológicas sin restringir las cargas a ser positivas, permitiendo capturar relaciones de oposición funcional (correlaciones negativas).
2. Cuantificación de Incertidumbre: Proporciona intervalos de credibilidad rigurosos para la matriz de covarianza y las cargas, algo ausente en métodos como PLIER.
3. Eficiencia Computacional: Evita el MCMC mediante el enfoque de pre-entrenamiento, siendo aproximadamente 30 veces más rápido que PLIER en conjuntos de datos simulados.
4. Adaptabilidad: El modelo ajusta automáticamente el grado de contracción hacia las vías conocidas frente a componentes no estructurados, basándose en los datos.

4. Resultados

• Estudios de Simulación:

  • BASIL superó a PLIER y ROTATE en la precisión de estimación de la matriz de covarianza de genes en escenarios de señal alta y baja.
  • Recuperó consistentemente el número correcto de factores latentes, mientras que PLIER tendió a sobreestimarlos significativamente.
  • Los intervalos de credibilidad de BASIL mostraron una cobertura frecuentista cercana al 95% nominal.
  • Fue significativamente más rápido en tiempo de ejecución.

• Aplicación a Datos de Sangre Total (Conjunto de Datos de Referencia):

  • En un conjunto de datos con solo 36 muestras y ~5,900 genes, BASIL identificó módulos génicos biológicamente interpretables (granulos de neutrófilos, eritropoyesis) con una red de correlaciones mucho más dispersa y libre de ruido que la obtenida con PLIER.

• Análisis del Cohorte Global de Fiebre:

  • Aplicado a 291 pacientes con 14,386 genes (infecciones virales, bacterianas y no infecciosas).
  • Identificó 19 factores latentes interpretables.
  • Hallazgos Biológicos:
    • La actividad de la fosfoinosítido fosfatasa y la inflamación impulsada por interferón surgieron como los principales conductores de la variabilidad en la expresión génica.
    • Se descubrieron compensaciones funcionales (ej. transporte de iones vs. respuesta inmune innata) que solo son visibles gracias a las cargas negativas permitidas por BASIL.
    • Genes como CXCL10 e IFI27 mostraron que su variabilidad estaba casi totalmente explicada por vías conocidas (señalización de interferón), validando la utilidad del modelo.

5. Significado e Impacto

BASIL representa un avance significativo en el análisis de datos transcriptómicos al combinar la flexibilidad de los modelos bayesianos con la interpretabilidad biológica de las vías genéticas.

• Reproducibilidad: Al eliminar el ajuste manual de hiperparámetros, el método es más robusto y fácil de usar para investigadores.
• Interpretabilidad: Permite distinguir entre variación explicada por conocimiento biológico existente y variación novedosa, facilitando la identificación de módulos de respuesta del huésped.
• Aplicabilidad Clínica: En el contexto de la fiebre global, el modelo ayuda a desentrañar mecanismos moleculares compartidos entre diferentes etiologías, lo cual es crucial para el desarrollo de diagnósticos rápidos y el manejo de antibióticos.

En resumen, BASIL ofrece un marco escalable, rápido y estadísticamente riguroso para extraer señales biológicas significativas de datos de 'ómicas de alta dimensión, superando las limitaciones de las técnicas de factorización de matrices existentes.