Learning False Discovery Rate Control via Model-Based Neural Networks

Resumen Técnico: Aprendizaje del Control de la Tasa de Falsos Descubrimientos mediante Redes Neuronales Basadas en Modelos

Planteamiento del Problema
En la selección de variables de alta dimensión (donde el número de variables $p$ excede al número de muestras $n$), controlar la Tasa de Falsos Descubrimientos (FDR, por sus siglas en inglés) mientras se maximiza la Tasa de Verdaderos Positivos (TPR) es un desafío crítico. Los métodos rigurosos existentes, como el selector de Experimentos Aleatorios Terminantes (T-Rex), proporcionan garantías de FDR demostrables pero dependen de estimadores analíticos para la Proporción de Falsos Descubrimientos (FDP). Estos estimadores son inherentemente conservadores para asegurar la validez teórica, lo que a menudo resulta en una brecha significativa entre la FDP realizada y el nivel de FDR objetivo. Esta excesiva cautela conduce a una pérdida de potencia estadística, causando que el método pierza descubrimientos verdaderos, particularmente en regímenes de baja relación señal-ruido (SNR).

Metodología
Los autores proponen una mejora aumentada por aprendizaje al marco de trabajo del selector T-Rex. La innovación central es reemplazar el conservador estimador analítico de FDP de T-Rex con una aproximación impulsada por datos aprendida mediante una red neuronal basada en modelos.

1. Integración del Marco de Trabajo: El selector T-Rex opera ejecutando $K$ experimentos aleatorios paralelos donde se anexan variables ficticias (dummy) a la matriz de predictores. Un algoritmo de selección hacia adelante (por ejemplo, LARS) se termina una vez que un número específico de variables ficticias entra en el modelo. Las variables se seleccionan basándose en su frecuencia relativa de selección ($\Phi$) a través de estos experimentos.
2. Arquitectura de la Red Neuronal: El método propuesto utiliza un Perceptrón Multicapa (MLP) con tres capas ocultas con activación ReLU (128, 64 y 32 neuronas) y una salida sigmoide final para restringir las predicciones al intervalo $[0, 1]$. La entrada consiste en el vector aplanado de las estadísticas de T-Rex, incluyendo la matriz de frecuencia relativa $\Phi$, y los parámetros de calibración ($v, T, L$). Para manejar dimensiones variables, $\Phi$ se completa con ceros hasta alcanzar una dimensión máxima fija.
3. Estrategia de Entrenamiento: La red se entrena exclusivamente en diversos conjuntos de datos sintéticos. Este enfoque se elige porque los datos del mundo real con etiquetas (con conjuntos activos de verdad conocidos) rara vez están disponibles para la selección exploratoria de variables, y entrenar con datos reales podría introducir ventajas injustas al comprimir información específica del dominio. El flujo de trabajo sintético genera matrices de características a partir de 14 distribuciones diferentes (por ejemplo, Gaussiana, Student's t, Cauchy) con diversas SNR para asegurar que el modelo aprenda una función de calibración generalizable en lugar de memorizar estructuras específicas.
4. Función de Pérdida: Para mantener un control aproximado sin garantías formales, se emplea una función de pérdida asimétrica: $L(\hat{\xi}, \xi) = \max(0, \hat{\xi} - \xi)^2 + w \cdot \max(0, \xi - \hat{\xi})^2$ con $w > 1$. Esta penaliza la subestimación de la FDP más fuertemente que la sobreestimación, fomentando un comportamiento conservador.
5. Calibración: Durante la inferencia, la red entrenada reemplaza al estimador analítico en la etapa de "Calibrar y Fusionar" (Calibrate & Fuse). Se realiza una búsqueda de cuadrícula (grid search) para encontrar los parámetros óptimos $(v^*, T^*)$ que maximicen el número de variables seleccionadas mientras se cumple la restricción de FDP aprendida $\le \alpha$.

Contribuciones Clave
El artículo describe tres contribuciones principales:

1. Nuevo Marco de Trabajo: La integración de una red neuronal profunda en la etapa de calibración del selector T-Rex para proporcionar una estimación de FDP más precisa y basada en datos.
2. Validación del Desempeño: Experimentos extensos que demuestran que el método propuesto, entrenado únicamente con datos sintéticos, aumenta significativamente la potencia estadística (TPR) en comparación con el selector T-Rex original, manteniendo un control aproximado de la FDR.
3. Generalización: Evidencia de que el modelo entrenado se generaliza efectivamente a datos genómicos realistas, específicamente en un entorno de Estudio de Asociación de Genoma Completo (GWAS) sintético y desafiante.

Resultados

• Benchmarks Sintéticos: En experimentos con $p=150$, $n=75$ y variadas SNR, el método propuesto logró consistentemente una TPR más alta que el selector T-Rex original en todos los niveles de SNR. Esta mejora fue impulsada por la selección de parámetros de calibración menos conservadores (específicamente umbrales de votación más bajos), permitidos por la aproximación de FDP más ajustada proporcionada por la red neuronal.
• Aplicación en Genómica: En un conjunto de datos de GWAS simulado (generado vía HAPGEN2 para imitar las estructuras de correlación genómica humana), el método aumentó la TPR del $14.9\% \pm 9.4\%$ (T-Rex original) al $17.3\% \pm 8.2\%$. La FDR empírica fue del $20.8\% \pm 27.3\%$, la cual se mantuvo cercana al objetivo del $20\%$, demostrando un control aproximado efectivo a pesar del cambio de distribución respecto a los datos de entrenamiento.

Significancia y Reivindicaciones
Los autores afirman que su enfoque aborda con éxito el compromiso entre el control de error riguroso y la potencia estadística. Al intercambiar la garantía teórica formal del estimador analítico por un aumento empírico significativo en la potencia, el método permite que el procedimiento opere mucho más cerca del límite de FDR deseado. El artículo enfatiza que esta calibración basada en datos es una solución práctica para aplicaciones donde las garantías teóricas estrictas pueden relajarse ligeramente en favor de descubrir más variables activas verdaderas. El uso exclusivo de diversos datos de entrenamiento sintéticos se destaca como una ventaja clave, asegurando imparcialidad, generalizabilidad y escalabilidad sin la necesidad de conjuntos de datos reales etiquetados. Los autores concluyen que la calibración basada en datos sirve como un complemento poderoso para los métodos tradicionales basados en modelos en la selección de variables de alta dimensión.