How important are the genes to explain the outcome - the asymmetric Shapley value as an honest importance metric for high-dimensional features

Este artículo propone el uso de valores de Shapley asimétricos como una métrica de importancia más honesta y adecuada para evaluar el impacto de características genómicas de alta dimensión en modelos predictivos clínicos, abordando problemas de colinealidad y direccionalidad de dependencias mediante algoritmos eficientes para la inferencia local y la descomposición global del rendimiento predictivo.

Lo esencial

Imagina que estás intentando predecir quién ganará una carrera de caballos. Tienes dos tipos de información:

1. Datos genéticos (G): Una lista enorme de miles de detalles sobre el ADN del caballo (como si tuvieras una enciclopedia completa de su biología).
2. Datos clínicos (D y C): Información más simple, como la edad del caballo, su historial de lesiones y, lo más importante, su estado de salud actual (si está herido o sano).

El problema es que la genética y el estado de salud están conectados. La genética causa el estado de salud. Si un caballo tiene genes que lo hacen propenso a lesiones, es probable que llegue a la carrera lesionado.

El Problema: ¿Quién merece el crédito?

En el pasado, los científicos hacían esto: "Quitamos los genes del modelo y vemos cuánto baja nuestra capacidad de predicción".

• El fallo: Si quitas los genes, el modelo sigue funcionando bastante bien porque el estado de salud (que ya sabemos que está herido) sigue ahí. El estado de salud actúa como un "amortiguador" o un "paraguas" que oculta la importancia real de los genes.
• La conclusión errónea: "¡Oh, los genes no son importantes! El estado de salud lo explica todo". Esto es injusto para los genes, porque ellos fueron la causa original del problema.

La Solución: El Valor de Shapley Asimétrico

Los autores proponen una nueva forma de medir la importancia llamada Valor de Shapley Asimétrico. Para entenderlo, usemos una analogía de un equipo de cocina.

La Analogía del Chef y el Ayudante

Imagina que tienes un Chef (los Genes) y un Ayudante (el Estado de Salud).

• El Chef prepara los ingredientes y decide qué va a pasar.
• El Ayudante solo sigue las instrucciones del Chef y pone los ingredientes en la olla.
• El resultado final es el plato (la predicción de supervivencia).

El método antiguo (Simétrico):
Preguntan: "¿Qué pasa si quitamos al Chef?" El Ayudante sigue ahí, pero no sabe qué hacer sin instrucciones, así que el plato sale mal. Luego preguntan: "¿Qué pasa si quitamos al Ayudante?" El Chef puede cocinar solo, pero le cuesta más tiempo.

• Resultado: Le dan crédito a ambos, pero no entienden que el Chef es la "causa raíz".

El nuevo método (Asimétrico):
Aquí aplican una regla de orden estricto: "El Ayudante no puede entrar a la cocina hasta que el Chef ya esté ahí".

• Si intentas poner al Ayudante en la cocina antes que el Chef, no cuenta (porque no tiene sentido).
• Esto obliga al sistema a reconocer que el Chef (Genes) es el responsable de que el Ayudante (Estado de Salud) esté actuando de esa manera.

El resultado: El Valor Asimétrico le da más crédito al Chef (Genes) y menos al Ayudante (Estado de Salud), porque reconoce que el Ayudante solo está haciendo lo que el Chef le ordenó.

¿Qué descubrieron en el estudio?

Aplicaron esta idea a pacientes con cáncer colorrectal:

1. El método viejo decía que los genes eran poco importantes porque el estadio del tumor (la enfermedad actual) ya explicaba casi todo.
2. El nuevo método (Asimétrico) dijo: "¡Espera! Los genes son mucho más importantes de lo que pensábamos". Descubrieron que los genes son la raíz que determina el estadio del tumor, y por lo tanto, merecen más crédito por la predicción.

En resumen

• La metáfora: Es como si en un equipo de fútbol, el delantero (Genes) pasa el balón al mediocampista (Estado de Salud) quien luego anota el gol. El método antiguo le daba el crédito al mediocampista por anotar. El nuevo método entiende que sin el pase del delantero, el gol no existiría, así que le da más importancia al delantero.
• La utilidad: Esto ayuda a los médicos a entender que, aunque el estado actual del paciente es importante, la genética es la fuerza oculta que está impulsando todo el proceso. No se trata solo de tratar el síntoma, sino de entender la causa.

Esta herramienta es como una "balanza de justicia" para los datos, asegurando que las causas profundas (como la genética) no sean ignoradas solo porque hay síntomas visibles (como la enfermedad) que las enmascaran.

Resumen técnico

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

Título: ¿Qué tan importantes son los genes para explicar el resultado? El valor de Shapley asimétrico como métrica de importancia honesta para características de alta dimensión.

Autores: Mark A. van de Wiel, Jeroen Goedhart, Martin Jullum, Kjersti Aas.

---

1. El Problema

En los entornos de predicción clínica, es común combinar datos genómicos de alta dimensión (como perfiles de expresión génica) con variables clínicas de baja dimensión (edad, género, estado de la enfermedad). Sin embargo, evaluar la importancia de los genes mediante el enfoque tradicional de "dejar fuera" (leave-one-out) presenta dos deficiencias críticas:

1. Correlación y Colinealidad: Si las variables genómicas están altamente correlacionadas con las variables clínicas, eliminar las primeras no reduce significativamente el rendimiento del modelo (las variables clínicas actúan como un "amortiguador"). Esto lleva a subestimar la importancia real de la genómica.
2. Ignorancia de la Causalidad/Orden Temporal: El enfoque estándar trata todas las variables como simétricas. En genética, las aberraciones genéticas suelen ser la causa raíz que afecta al estado de la enfermedad (mediador), el cual a su vez afecta al resultado (supervivencia). Ignorar esta dirección causal ($Genes \rightarrow Enfermedad \rightarrow Resultado$) distorsiona la atribución de importancia.

El objetivo es cuantificar la importancia de los genes en un modelo de predicción mixto, considerando la asimetría causal y la dependencia entre variables.

2. Metodología

Los autores proponen el uso de Valores de Shapley Asimétricos adaptados a un entorno de alta dimensión.

• Fundamento Teórico: Se basa en la teoría de juegos, pero modifica la definición estándar de Shapley para respetar un orden parcial conocido (ej. $G \rightarrow D$). Solo se permiten coaliciones de características que respeten este orden causal.
• Valores de Shapley Asimétricos de Grupo: Extienden el concepto para tratar grupos de variables (como el conjunto de genes $G$) como una sola unidad, lo que ofrece una ventaja computacional significativa.
• Estimación (SHAP Condicional):
  • Utilizan la estimación por marginalización condicional (SHAP) en lugar de la re-ajuste de modelos (refitting). El re-ajuste es problemático en modelos mixtos (alta/baja dimensión) y puede ser computacionalmente costoso.
  • La función de valor $\nu(S)$ se define como la esperanza condicional: $E[f(x) | x_S = x^*_S]$.
• Modelado de Dependencias: Dado que modelar dependencias condicionales en datos de alta dimensión es complejo, proponen una estrategia de reducción de dimensionalidad:
  1. Reemplazan la alta dimensionalidad de los genes ($G_1$) por componentes principales ($q(G_1)$) para modelar las dependencias.
  2. Crean un resumen "consciente de la enfermedad" ($q_D(G_1)$) que predice el estado de la enfermedad a partir de los genes, incorporándolo como una característica más para capturar mejor la vía causal.
• Algoritmos de Cálculo Eficiente:
  • Derivan pesos de Shapley asimétricos basados en subconjuntos (coaliciones) en lugar de permutaciones, lo cual es mucho más eficiente computacionalmente.
  • Para conjuntos de características muy grandes donde la enumeración es imposible, proponen un nuevo esquema de muestreo por importancia (importance sampling) para aproximar los valores.
• Inferencia: Desarrollan dos métodos para realizar inferencia global sobre la importancia de las características utilizando los valores de Shapley locales:
  1. Un enfoque semiparamétrico basado en regresión y prueba de razón de verosimilitud.
  2. Un enfoque no paramétrico basado en emparejamiento (matching) y permutación de bloques.

3. Contribuciones Clave

1. Marco Asimétrico para Genómica: Adaptación de los valores de Shapley asimétricos a escenarios de alta dimensión con variables mediadoras, demostrando que esto corrige la subestimación de la importancia genética.
2. Eficiencia Computacional: Desarrollo de algoritmos recursivos para calcular pesos de coalición asimétricos y un método de muestreo por importancia para escalar a miles de características.
3. Manejo de Modelos Mixtos: Una estrategia robusta para modelar dependencias en datos que mezclan variables de alta dimensión (genómica) y baja dimensión (clínicas) sin perder la estructura causal.
4. Herramientas de Inferencia: Métodos para probar la significancia estadística de la importancia global de las características basándose en la distribución de los valores de Shapley locales.
5. Implementación: Código abierto en R (paquete GeneSHAP), construido sobre shapr, que facilita la reproducibilidad.

4. Resultados

El marco se validó utilizando datos de supervivencia libre de progresión en pacientes con cáncer colorrectal ($N=845$).

• Comparación de Importancia:
  • El enfoque tradicional de "dejar fuera" mostró una importancia modesta de los genes (caída pequeña en el índice C).
  • Los Valores de Shapley Simétricos mostraron una importancia intermedia.
  • Los Valores de Shapley Asimétricos revelaron que los genes son significativamente más importantes (aumentando su contribución al índice C de ~0.13 a ~0.17) a expensas del estado de la enfermedad, que pierde importancia relativa. Esto confirma que los genes tienen un efecto indirecto fuerte a través de la enfermedad que el método simétrico no captura adecuadamente.
• Descomposición de Métricas: Se demostró que la métrica global SAGE (Shapley Additive Global importancE) descompone correctamente el índice C, permitiendo interpretar la contribución de cada grupo de variables.
• Efecto de Mediación: El análisis local mostró que los valores asimétricos capturan mejor cómo el estado de la enfermedad media el efecto de los genes. En pacientes con estadios avanzados (III y IV), la importancia de los genes aumenta notablemente en el modelo asimétrico, reflejando la realidad biológica.
• Validación de Inferencia: Las pruebas de hipótesis confirmaron que la importancia de los genes y sus subcomponentes (como el subtipo molecular CMS) es estadísticamente significativa bajo el enfoque asimétrico, mientras que a veces no lo era bajo el simétrico.

5. Significado e Impacto

Este trabajo es fundamental para la interpretación de modelos de aprendizaje automático en medicina de precisión y genómica:

• Corrección de Sesgos: Evita conclusiones prematuras sobre la irrelevancia de la genómica en la predicción clínica, un problema común cuando se ignoran las relaciones causales y la colinealidad.
• Interpretabilidad Causal: Proporciona una métrica de importancia que respeta la biología subyacente (causa $\rightarrow$ mediador $\rightarrow$ resultado), ofreciendo una visión más "honesta" de cómo contribuyen los genes al resultado.
• Aplicabilidad General: Aunque se centra en genómica, el marco es aplicable a cualquier escenario de predicción con datos de alta dimensión y relaciones causales parciales conocidas.
• Herramienta Práctica: La implementación disponible y los algoritmos eficientes permiten a los investigadores aplicar estos conceptos avanzados a conjuntos de datos reales sin prohibiciones computacionales.

En resumen, el artículo demuestra que incorporar el conocimiento causal (asimetría) en la explicación de modelos de alta dimensión es crucial para entender verdaderamente el valor predictivo de los datos genómicos en la clínica.