Sparse group principal component analysis via double thresholding with application to multi-cellular programs

Resumen Técnico: Análisis de Componentes Principales de Grupos Dispersos mediante Doble Umbralización

Planteamiento del Problema
El artículo aborda el desafío de estimar Programas Multicelulares (MCP, por sus siglas en inglés) a partir de datos de secuenciación de ARN de célula única (scRNA-seq) de alta dimensión. Los MCP representan patrones coordinados de expresión génica a través de tipos de células que interactúan y que impulsan procesos biológicos. Si bien métodos como el Análisis de Componentes Principales Dispersos (Sparse PCA) y los modelos de factores latentes se utilizan comúnmente, a menudo enfrentan dos limitaciones en este contexto:

1. Escalabilidad Computacional: Los métodos existentes que imponen estructuras de dispersión complejas (por ejemplo, la relajación convexa mediante proyecciones de Fantope) suelen sufrir altos costos computacionales ($O(p^3)$), lo que los hace impracticables para conjuntos de datos genómicos a gran escala donde el número de genes ($p$) supera con creces al número de muestras ($n$).
2. Eficiencia Estadística: Los métodos de Sparse PCA estándar típicamente imponen solo una dispersión elemento a elemento. Sin embargo, la estimación de MCP requiere capturar una estructura de dispersión jerárquica:
   • Dispersión a nivel de grupo: Solo un pequeño subconjunto de genes (grupos) participa en un MCP específico.
   • Dispersión dentro del grupo: Dentro de un gen activo, la expresión puede estar activa solo en un subconjunto de los tipos celulares contribuyentes.
     Los métodos existentes a menudo no logran explotar esta estructura dual, lo que conduce a tasas de convergencia subóptimas y una reducción en el poder estadístico para la detección de señales.

Metodología
Los autores proponen el Análisis de Componentes Principales de Grupos Dispersos (SGPCA), un algoritmo diseñado para estimar los componentes principales (PC) líderes bajo una dispersión jerárquica.

• Modelo: Los datos se modelan utilizando un modelo de covarianza de picos de bajo rango donde los vectores de carga exhiben una dispersión jerárquica. Cada gen es tratado como un grupo que contiene valores de expresión a través de $T$ tipos de células.
• Algoritmo (Doble Umbralización): El núcleo de SGPCA es un algoritmo de iteración de potencia modificado que incorpora un paso de doble umbralización en cada iteración:
  1. Umbralización por Grupos: Se aplica un operador de umbralización suave por bloques a los grupos de genes basados en sus normas $\ell_2$. Esto identifica los grupos de genes activos y reduce los inactivos a cero.
  2. Umbralización por Elemento: Para los grupos retenidos, se aplica un operador de umbralización suave individual para seleccionar tipos de células específicos dentro de esos genes.
  3. Deflación: Para estimar múltiples PC, el algoritmo utiliza un procedimiento de deflación para eliminar la influencia de los componentes previamente estimados.
• Inicialización: El algoritmo utiliza un método de umbralización diagonal modificado (extendiendo a Johnstone y Lu, 2009) para proporcionar una inicialización consistente que respete tanto la dispersión de grupo como la de elemento.
• Selección del Parámetro de Ajuste: En lugar de depender del ajuste de datos o de niveles de dispersión arbitrarios, los autores proponen un criterio basado en el remuestreo inspirado en la selección por estabilidad. Este método selecciona los parámetros de umbralización ($\eta$ para grupos, $\tau$ para elementos) maximizando la alineación (consistencia) de los PC estimados a través de múltiples submuestras de los datos.

Contribuciones Clave

1. Eficiencia Computacional: SGPCA logra una complejidad computacional lineal de $O(np)$ por iteración. Esta es una mejora significativa respecto a la complejidad $O(p^3)$ de los métodos basados en ADMM que utilizan proyecciones de Fantope (por ejemplo, Xiao y Xiao, 2024), haciendo que SGPCA sea escalable a datos de expresión génica de alta dimensión.
2. Garantías Teóricas: Bajo un modelo de covarianza de picos con dispersión jerárquica, los autores establecen la consistencia estadística del estimador SGPCA. Derivan una tasa de convergencia que es estrictamente más rápida que la de los métodos competidores (como Xiao y Xiao, 2024 y Ma, 2013) cuando la estructura jerárquica es fuerte (es decir, cuando el número de grupos activos es pequeño y la dispersión dentro del grupo es alta). El límite de error separa explícitamente los errores no paramétricos del ruido a nivel de grupo y a nivel de elemento.
3. Detección de Señal Superior: A través de extensas simulaciones, el artículo demuestra que SGPCA logra una mayor precisión de estimación (alineación con los PC verdaderos) y un menor error de Tipo I (tasa de falsos positivos) en la detección de señales en comparación con el PCA estándar y el SPC.
4. Implementación: Los autores proporcionan un paquete de R eficiente y fácil de usar (SGPCA) que incluye el algoritmo, el procedimiento de ajuste basado en remuestreo y herramientas para visualizar los patrones de dispersión.

Resultados

• Simulaciones: En entornos que varían el tamaño de los grupos, las estructuras de dispersión (solo grupo frente a grupo + elemento) y múltiples picos, SGPCA superó consistentemente al PCA estándar y al SPC.
  • SGPCA mantuvo una alta alineación con los PC verdaderos a medida que aumentaban los tamaños de grupo, mientras que el rendimiento de PCA y SPC se deterioró.
  • SGPCA logró el error de Tipo I más bajo, controlando eficazmente los falsos positivos mientras mantenía un error de Tipo II comparable al de otros métodos.
• Aplicación de Datos de Lupus: El método se aplicó a un conjunto de datos de Lupus Eritematoso Sistémico (SLE) que involucraba cuatro subtipos de células inmunes.
  • SGPCA identificó cuatro MCP distintos.
  • Utilizando un procedimiento de prueba de sesgo eliminado (debiased), los autores encontraron que el PC1 y el PC4 estaban expresados diferencialmente entre pacientes con Lupus y controles sanos.
  • El PC1 fue impulsado principalmente por células T CD8+ y se enriqueció para vías de activación inmunitaria (por ejemplo, activación de leucocitos, procesos efectores inmunitarios), alineándose con la desregulación biológica conocida en el Lupus.
  • El enfoque identificó con éxito genes que se co-expresan a través de múltiples tipos de células, resaltando la necesidad de modelar tanto la dispersión de grupo como la de elemento.

Significado y Reivindicaciones
El artículo afirma que SGPCA ofrece una solución estadísticamente fundamentada y computacionalmente eficiente para estimar los MCP. Al aprovechar explícitamente la dispersión jerárquica inherente a los datos biológicos (genes activos en tipos celulares específicos), el método logra:

• Mejor Poder Estadístico: Mejor detección de señales verdaderas con menos falsos positivos en comparación con los métodos que ignoran la estructura de grupo.
• Escalabilidad: La capacidad de manejar conjuntos de datos genómicos a gran escala donde los métodos jerárquicos previos eran computacionalmente prohibitivos.
• Relevancia Biológica: La capacidad de descubrir programas de expresión génica coordinados a través de tipos de células que son biológicamente significativos y clínicamente relevantes, como se demostró en el estudio de Lupus.

Los autores señalan que, si bien el método está motivado por la scRNA-seq, la dispersión estructurada por grupos subyacente es aplicable a otros dominios con estructuras de grupo significativas, como los datos de ventas minoristas en línea (categorías y productos). El artículo concluye que SGPCA proporciona un marco robusto para el análisis de datos de alta dimensión donde existe una dispersión jerárquica.