A scalable Bayesian functional factor model for high-dimensional longitudinal molecular data

Aquí presento un resumen técnico detallado del artículo "A scalable Bayesian functional factor model for high-dimensional longitudinal molecular data" (Un modelo de factores funcionales bayesiano escalable para datos moleculares longitudinales de alta dimensión), estructurado según los puntos solicitados.

1. El Problema

La investigación biomédica moderna genera cada vez más perfiles moleculares longitudinales a gran escala (genes, proteínas, metabolitos, etc.) para comprender la dinámica de las enfermedades y la heterogeneidad entre pacientes. Sin embargo, el análisis de estos datos presenta dos desafíos estadísticos principales que las herramientas existentes no abordan de manera unificada:

• Alta dimensionalidad y correlación: El número de variables ($p$) puede ser enorme (decenas de miles), con fuertes correlaciones entre biomarcadores de vías biológicas relacionadas.
• Complejidad temporal: Las trayectorias son funciones continuas en el tiempo, a menudo observadas de manera irregular y dispersa (diferentes tiempos de medición para cada sujeto).

Los enfoques actuales tienen limitaciones:

• Los modelos de factores latentes tradicionales reducen la dimensionalidad pero tratan las observaciones como multivariadas discretas, ignorando la estructura funcional temporal.
• El Análisis de Componentes Principales Funcionales (FPCA) captura la dinámica temporal pero suele analizar variables por separado o produce componentes multivariados densos (que cargan en todas las variables), lo que dificulta la interpretación biológica (identificar qué subconjunto de biomarcadores pertenece a qué vía).
• Modelos basados en Procesos Gaussianos (GP) como MEFISTO son flexibles pero computacionalmente costosos a medida que crece el número de sujetos y no siempre descomponen la variabilidad temporal en modos ortogonales interpretables.

El objetivo es desarrollar un marco unificado que modele conjuntamente la dependencia entre variables y la heterogeneidad temporal dentro de procesos latentes, manteniendo la interpretabilidad biológica y la escalabilidad computacional.

2. Metodología

Los autores proponen un Modelo de Factores Funcionales Bayesiano (Bayesian Functional Factor Model) que combina modelado de factores latentes esparsos con representaciones de componentes principales funcionales (FPCA).

A. Estructura del Modelo

El modelo descompone la trayectoria observada $y_i(t)$ para el sujeto $i$ y la variable $j$ como:
$$y_i(t) = \mu(t) + \sum_{q=1}^Q b_{jq} h_i^{(q)}(t) + \epsilon_{ij}(t)$$
Donde:

• $\mu(t)$ es la función media.
• $h_i^{(q)}(t)$ son las curvas de los factores latentes (procesos biológicos compartidos).
• $b_{jq}$ es la matriz de cargas (loadings), que determina qué variables contribuyen a cada factor.
• $\epsilon$ es el ruido de medición.

B. Representación de Factores Latentes (FPCA)

Cada proceso latente $h^{(q)}(t)$ se modela utilizando FPCA para capturar la variabilidad temporal específica de cada sujeto de manera parsimoniosa:
$$h_i^{(q)}(t) = \sum_{\ell=1}^L \zeta_{i\ell}^{(q)} \psi_\ell^{(q)}(t)$$

• $\psi_\ell^{(q)}(t)$ son las funciones propias (modos de variación temporal).
• $\zeta_{i\ell}^{(q)}$ son las puntuaciones (scores) específicas del sujeto, que cuantifican cómo se expresa ese modo en cada individuo.

C. Especificación Bayesiana y Esparsidad

Para garantizar la interpretabilidad biológica (identificar vías específicas), se impone esparsidad en la matriz de cargas $B$:

• Se utiliza un prior Spike-and-Slab para los coeficientes $b_{jq}$. Esto permite que muchos coeficientes sean exactamente cero, indicando que un factor latente solo influye en un subconjunto de biomarcadores.
• Se emplean priores jerárquicos (Half-Cauchy para varianzas, Beta para probabilidades de inclusión) para regularizar el modelo en alta dimensión.
• Se utiliza una representación de splines penalizados (O'Sullivan) para las funciones $\mu$ y $\psi$, permitiendo manejar datos irregulares.

D. Inferencia: Variacional Annealed

Dado que la inferencia posterior exacta es intratable para datos de alta dimensión y el prior Spike-and-Slab crea una distribución multimodal, los autores desarrollan un algoritmo de Inferencia Variacional (VI) con Recocido Simulado (Annealing):

1. Aproximación de Campo Medio: Se asume independencia entre bloques de parámetros para factorizar la distribución posterior aproximada.
2. Annealing: Se introduce un parámetro de temperatura $T \ge 1$ en la función objetivo (ELBO). Inicialmente, con $T > 1$, la entropía se infla, "aplanando" la superficie de optimización para evitar quedar atrapado en óptimos locales. A medida que $T$ disminuye gradualmente a 1, el algoritmo converge al óptimo global.
3. Actualizaciones de forma cerrada: Gracias a la conjugación condicional, todas las actualizaciones variacionales tienen forma analítica, lo que permite una implementación eficiente y paralela.
4. Selección de Factores: Se ajusta un número excesivo de factores ($Q_{max}$) y se eliminan aquellos con baja probabilidad de inclusión posterior, aprendiendo así la dimensión efectiva de los datos.

3. Contribuciones Clave

1. Marco Unificado: Es el primer marco que integra explícitamente la reducción de dimensionalidad esparsa (factores) con la descomposición temporal funcional (FPCA) en un solo modelo bayesiano jerárquico.
2. Escalabilidad: El algoritmo de inferencia variacional annealed permite manejar conjuntos de datos con $p > 20,000$ variables y miles de sujetos, superando las limitaciones de los métodos basados en Procesos Gaussianos (como MEFISTO) que sufren de costos computacionales cúbicos o cuadráticos con el número de sujetos.
3. Interpretabilidad Biológica: La combinación de priores esparsos y la descomposición FPCA permite identificar no solo qué vías biológicas están activas, sino cuáles biomarcadores las componen y cómo varían temporalmente entre pacientes.
4. Implementación de Software: El método está disponible en el paquete R de código abierto bayesSYNC, facilitando su adopción por la comunidad científica.

4. Resultados

A. Estudios de Simulación

• Recuperación de Estructura: En escenarios con hasta 20,000 variables y 100 sujetos, el modelo recuperó con alta precisión las trayectorias temporales, las matrices de cargas esparsas y el número correcto de factores latentes.
• Ventaja del Annealing: La comparación entre la inferencia variacional estándar ("Vanilla") y la annealed mostró que el annealing es crucial. Sin annealing, el modelo a menudo quedaba atrapado en óptimos locales, reteniendo factores irrelevantes y mostrando mayor error en la estimación de la función media. Con annealing, la selección de factores fue precisa y la precisión de reconstrucción mejoró significativamente.
• Comparación con MEFISTO:
  • Precisión: bayesSYNC superó a MEFISTO en la recuperación de cargas (AUC más alto) y en la estimación de trayectorias (menor Error Cuadrático Integrado - ISE).
  • Escalabilidad: Mientras bayesSYNC se ejecutaba en minutos, MEFISTO (que modela trayectorias específicas por sujeto) fallaba o tardaba horas en conjuntos de datos moderados ($N=40$) debido a la inversión de matrices de covarianza grandes.
  • Incertidumbre: bayesSYNC proporcionó intervalos de predicción bien calibrados, mientras que MEFISTO tendía a subestimar o sobreestimar la incertidumbre dependiendo de la configuración.

B. Aplicación a Datos de COVID-19

Se aplicó el modelo a datos longitudinales de pacientes con COVID-19 (57 biomarcadores inmunes y metabólicos).

• Factores Identificados: Se seleccionaron dos factores latentes principales:
  1. Eje Inflamatorio/Kinurenina: Asociado positivamente con marcadores inflamatorios (CRP, citoquinas) y metabolitos de la vía de la kinurenina, y negativamente con triptófano y serotonina. Esto refleja la activación de la enzima IDO y la degradación de triptófano, un mecanismo conocido en la respuesta inmune y las secuelas neurológicas de COVID-19.
  2. Eje de Aminoácidos: Dominado por la depleción de aminoácidos de cadena ramificada (leucina, isoleucina, valina), consistente con estados inflamatorios severos.
• Heterogeneidad Clínica: Las puntuaciones de los sujetos (scores) en estos factores mostraron una correlación significativa con la severidad clínica (desde asintomáticos hasta ventilación asistida).
• Dinámica de Recuperación: El análisis de las funciones propias reveló que el primer modo de variación capturaba la severidad sostenida, mientras que el segundo modo capturaba la dinámica de recuperación (rapidez de retorno a la línea base).

5. Significancia

Este trabajo representa un avance metodológico significativo para la bioestadística y la medicina de precisión:

• Puente entre Estadística y Biología: Ofrece una herramienta que traduce datos moleculares complejos y de alta dimensión en procesos biológicos interpretables y cuantitativos.
• Herramienta para Estudios Longitudinales: Resuelve el problema de la escalabilidad en estudios de cohortes grandes con muestreo irregular, un escenario común en ensayos clínicos y estudios observacionales modernos.
• Impacto Clínico: La capacidad de cuantificar la heterogeneidad de los pacientes a través de puntuaciones latentes permite estratificar a los pacientes no solo por su estado basal, sino por su dinámica de respuesta a la enfermedad, lo cual es crucial para predecir resultados y diseñar terapias personalizadas.
• Reproducibilidad: La disponibilidad del paquete bayesSYNC y la demostración de su eficacia en datos reales de COVID-19 establecen un estándar para el análisis de datos ómicos longitudinales futuros.

En resumen, el modelo propuesto llena un vacío crítico al proporcionar un marco escalable, bayesiano e interpretable para desentrañar la complejidad temporal y estructural de los datos moleculares modernos.