IRIS: time-structured manifold projections

Resumen Técnico: IRIS – Proyecciones de Variedades Estructuradas en el Tiempo

Declaración del Problema
Los datos biomédicos de alta dimensión, como la secuenciación de ARN de célula única (scRNA-seq), la metagenómica comparativa y las incrustaciones (embeddings) de literatura científica, se generan cada vez más con dimensiones temporales (por ejemplo, etapas de desarrollo, edades de los sujetos, fechas de publicación). Si bien los algoritmos de Aprendizaje de Variedades (Manifold Learning) como t-SNE y UMAP son indispensables para visualizar estructuras de alta dimensión agrupando elementos similares, son inherentemente no supervisados y no incorporan el ordenamiento temporal en sus estructuras de disposición. En consecuencia, la dinámica de los tipos celulares o de otras clases a lo largo del tiempo suele quedar ofuscada.

Las soluciones alternativas actuales son insuficientes:

1. Vistas paralelas: Colorear los diseños por clase y tiempo en gráficos separados requiere un escaneo tedioso, lo que dificulta la estimación de los rangos de tiempo para clases específicas o la identificación de extremos temporales.
2. UMAP Alineado: Este método produce múltiples diseños mientras penaliza el movimiento entre ellos. Sin embargo, requiere un pequeño número de cortes temporales discretos y asume que los mismos elementos aparecen en múltiples cortes, lo cual rara vez ocurre en conjuntos de datos de scRNA-seq u otros datos temporales. Además, exacerba el problema de las múltiples vistas, lo que a menudo requiere animaciones o gráficos 3D difíciles de manejar para mostrar trayectorias.

Metodología
Los autores proponen IRIS (Incorporating Radial time-structured Inverse Structure), un nuevo algoritmo de Aprendizaje de Variedades que estructura los diseños de baja dimensión tanto cronológicamente como por la topología de la variedad. IRIS opera creando diseños circulares donde el tiempo irradia hacia afuera en anillos concéntricos, dejando la dimensión angular para codificar las relaciones de alta dimensión.

El algoritmo procede en dos fases principales:

1. Fase 1: Optimización del Exponente Radial (Mapeo Temporal)

   • Objetivo: Mapear las marcas de tiempo (timestamps) a radios anulares de tal manera que la densidad de puntos sea radialmente uniforme, abordando el "problema del hacinamiento" (crowding problem) y asegurando que el tiempo sea estimable desde la posición.
   • Mecanismo: El tiempo $t$ se mapea al radio $r$ mediante una función de potencia: $r_i = \zeta + (1 - \zeta)t_i^\rho$, donde $\zeta$ es un hiperparámetro que controla la relación del radio interno y $\rho$ es un exponente global a ser optimizado.
   • Optimización: El algoritmo define una función de densidad de probabilidad (PDF) ideal $P(X)$ que representa una distribución uniforme de densidad a través del anillo. Luego utiliza la divergencia de Kullback-Leibler (KL) para encontrar el $\rho^*$ óptimo que minimice la divergencia entre la PDF ideal y la distribución real de radios $Q$ derivada de los datos. Esta fase tiene en cuenta la asimetría temporal.
   • Remuestreo: Para prevenir artefactos de bandas causados por etiquetas de tiempo dispersas o gruesas, IRIS ofrece un remuestreo temporal probabilístico opcional (homogéneo o heterogéneo) para crear una distribución de tiempo más continua.

2. Fase 2: Optimización de Ángulos (Estructura de la Variedad)

   • Objetivo: Optimizar el ángulo $\theta_i$ de cada punto para preservar las relaciones de alta dimensión mientras se restringe a los puntos a los radios determinados en la Fase 1.
   • Mecanismo: El algoritmo reparametriza la función de costo euclidiana de coordenadas cartesianas a coordenadas polares. Utiliza un marco probabilístico similar a LargeVis (un precursor de UMAP), definiendo probabilidades de aristas basadas en Vecinos Cercanos Aproximados (ANN).
   • Función de Costo: La función objetivo $C$ equilibra la distancia euclidiana y la distancia angular. Para pares positivos (vecinos en el espacio de alta dimensión), el costo minimiza la distancia tanto en radio como en ángulo. Para pares negativos, maximiza la separación. El costo incluye un hiperparámetro $\beta$ para equilibrar la contribución de la distancia euclidiana frente a la distancia angular.
   • Optimización: Se utiliza el descenso de gradiente estocástico para actualizar los ángulos $\Theta$ con el fin de minimizar la divergencia de las distribuciones de distancia entre los espacios de alta y baja dimensión.

Contribuciones Clave

• Innovación Algorítmica: IRIS introduce un sesgo inductivo novedoso que crea diseños circulares donde el tiempo irradia hacia afuera, permitiendo que las relaciones temporales sean visibles directamente desde la geometría del diseño en lugar de depender de los canales de color.
• Reparametrización: El artículo detalla una reparametrización matemática de las funciones de costo euclidianas en coordenadas polares, permitiendo la optimización simultánea del mapeo de tiempo global (radio) y la estructura de la variedad local (ángulo).
• Remuestreo Temporal: Una estrategia propuesta para manejar etiquetas de tiempo dispersas o gruesas para evitar artefactos visuales.
• Implementación: IRIS está implementado en Python y C++, aprovechando el marco de trabajo de LargeVis, y está disponible como un paquete de código abierto.

Resultados
Los autores evaluaron IRIS en cinco conjuntos de datos que abarcan tres dominios biomédicos:

1. scRNA-seq (Embrión): Desarrollo prenatal de ratón (28,604 células).
2. scRNA-seq (Neuro): Atlas de enfermedades neurodegenerativas (30,556 muestras).
3. Metagenomas (Intestino): Datos del microbioma intestinal a través de 29 estudios (4,479 muestras).
4. Literatura (ADRD): Corpus de Alzheimer y Demencias Relacionadas (17,518 artículos).
5. Literatura (PD-1): Corpus de la vía de puntos de control inmunitario (27,886 artículos).

Métricas de Evaluación:

• Estructuración de Clases (KNN): Medida por la precisión de un clasificador de K-Vecinos Más Cercanos prediciendo las etiquetas de clase a partir de las coordenadas del diseño.
• Estructuración de Tiempo (SVR): Medida por el coeficiente de determinación $R^2$ de un modelo de Regresión de Vectores de Soporte prediciendo las marcas de tiempo a partir de las coordenadas del diseño.
• TMPS: Una Puntuación de Proyección de Variedad Estructurada en el Tiempo definida como la media armónica de KNN y SVR.

Hallazgos:

• Claridad Visual: Los diseños de IRIS elucidan instantáneamente fenómenos dinámicos (por ejemplo, la ramificación de tipos celulares, orígenes distintos de precursores neuronales) que no son fácilmente perceptibles en los gráficos de UMAP emparejados.
• Desempeño Cuantitativo: Las métricas cuantitativas confirman que IR_IS estructura eficazmente los diseños por tiempo (donde UMAP tiene un desempeño deficiente) mientras retiene una estructuración de clases comparable a la de UMAP.
• Escalabilidad: El tiempo de ejecución de IRIS escala linealmente con el número de muestras.

Significancia y Reivindicaciones
El artículo afirma que IRIS proporciona una solución a la limitación de los algoritmos de Aprendizaje de Variedades existentes para manejar datos temporales. Al estructurar los diseños cronológicamente y por topología simultáneamente, IRIS hace que las relaciones temporales sean claramente visibles desde el propio diseño, liberando el canal de color para codificar la información de clase. Los autores posicionan a IRIS como una herramienta capaz de visualizar una amplia gama de datos biomédicos dinámicos, ofreciendo una alternativa más intuitiva y densa en información que las comparaciones lado a lado o las animaciones de múltiples vistas. El trabajo se presenta como una contribución de código abierto al campo de la visualización de datos y el aprendizaje automático en biomedicina.