PliableBVS: A flexible Bayesian variable selection method for modeling interactions with mandatory modifying variables

Resumen Técnico de "PliableBVS: Un método de selección de variables bayesiano flexible para modelar interacciones con variables modificadoras obligatorias"

Planteamiento del Problema
Los modelos de interacción de alta dimensión son esenciales para analizar cómo grandes conjuntos de variables (por ejemplo, características ómicas como la expresión génica) interactúan con conjuntos más pequeños de variables modificadoras (por ejemplo, covariables clínicas). Aunque se ha propuesto el "pliable lasso" (Tibshirani y Friedman, 220) como un método frecuentista eficiente para el cribado de tales interacciones bajo una restricción jerárquica débil asimétrica, este opera dentro de un marco frecuentista. Esta limitación impide la provisión directa de la cuantificación de la incertidumbre para las estimaciones de los parámetros o la inclusión de variables. Además, los métodos estándar de regresión penalizada suelen tener dificultades para mantener las restricciones jerárquicas entre los efectos principales y los términos de interacción, al tiempo que proporcionan una selección de variables robusta en entornos de alta dimensión donde el número de predictores supera con creces al número de muestras.

Metodología
Los autores proponen PliableBVS, un enfoque de selección de variables bayesiano que extiende el marco del pliable lasso. El método está diseñado tanto para la regresión lineal como para la logística.

• Estructura del Modelo: El modelo asume una ecuación de regresión donde la respuesta $y$ depende de los efectos principales de covariables de alta dimensión $X$, variables modificadoras de baja dimensión obligatorias $Z$, y términos de interacción entre $X$ y $Z$. El modelo impone una jerarquía débil asimétrica: un efecto de interacción $\theta_{jk}$ solo puede ser distinto de cero si el efecto principal correspondiente $\beta_j$ es distinto de cero.
• Especificación de la Prior:
  • Priors Spike-and-Slab: Para inducir la dispersión (sparsity), los autores emplean priors de mezcla de inflación de ceros (spike-and-slab) tanto para los efectos principales ($\beta_j$) como para los efectos de interacción ($\theta_{jk}$).
  • Variables de Decisión Jerárquicas: Dos parámetros de decisión latentes, $\rho$ y $\zeta$, gobiernan la inclusión de los efectos principales y los efectos de interacción, respectivamente. Estos se modelan como probabilidades extraídas de distribuciones Beta.
  • Inclusión Condicional: La probabilidad de inclusión de un término de interacción es condicional a la inclusión de su efecto principal correspondiente. Esto se logra asumiendo un prior de mezcla de inflación de ceros multivariante para $\theta_{jk}$ que solo está activo si $\beta_j \neq 0$.
  • Contracción (Shrinkage): El componente de contracción continua de los priors sigue una distribución de Laplace (equivalente a la varianza del Bayesian lasso), mientras que el componente spike es una función delta de Dirac en cero.
• Inferencia:
  • Regresión Lineal: Se deriva un muestreador de Gibbs para muestrear de la distribución posterior conjunta de todos los parámetros, incluyendo los coeficientes, los componentes de varianza y los indicadores de inclusión.
  • Regresión Logística: El modelo se extiende a resultados binarios mediante el aumento de Pólya-gamma (Polson et al., 2013). Esta técnica introduce variables latentes para representar la verosimilitud logística como una mezcla de Gaussianas, lo que permite utilizar los mismos priors jerárquicos y la estructura de muestreo de Gibbs que en el caso lineal.
  • Estimación de Hiperparámetros: El parámetro de penalización global $\lambda$ se estima mediante un enfoque de Bayes empírico utilizando un algoritmo EM de Monte Carlo.
• Selección de Modelo: Los autores utilizan el Modelo de Probabilidad Mediana (MPM) (Barbieri y Berger, 2004) para seleccionar variables. Una variable se incluye en el modelo final si su probabilidad de inclusión posterior marginal supera 0.5.

Contribuciones Clave

1. Extensión Bayesiana del Pliable Lasso: El artículo introduce un marco probabilístico coherente que refleja el pliable lasso pero proporciona distribuciones posteriores completas, permitiendo la cuantificación de la incertidumbre tanto para las estimaciones de los parámetros como para la selección de variables.
2. Dispersión Estructurada: El método impone explícitamente restricciones jerárquicas débiles asimétricas a través de una estructura de dos capas de variables de decisión, asegurando la plausibilidad biológica y estadística donde las interacciones no pueden existir sin sus efectos principales.
3. Implementación Algorítmica: Los autores proporcionan un muestreador de Gibbs tanto para resultados continuos como binarios, junto con un paquete de R de código abierto (PliableBVS) y una API independiente del lenguaje para facilitar su aplicación.

Resultados
El rendimiento de PliableBVS fue evaluado frente al pliable lasso frecuentista a través de estudios de simulación y aplicaciones de datos reales.

• Estudios de Simulación:
  • En varios escenarios que involucran diferentes relaciones señal-ruido (SNR) y dimensiones (tanto bajas como altas), PliableBVS logró consistentemente un menor Error Cuadrático Medio (MSE) de prueba y una menor tasa de falsos positivos en comparación con el pliable lasso.
  • Aunque ambos métodos lograron una alta sensibilidad en la identificación de coeficientes verdaderamente no nulos, PliableBVS demostró una especificidad superior, reduciendo la inclusión de variables espurias.
  • En entornos de alta dimensión con un alto SNR, PliableBVS mostró una mayor sensibilidad que el pliable lasso.
  • El enfoque bayesiano proporcionó distribuciones posteriores marginales unimodales y estables para los coeficientes.
• Aplicaciones de Datos Reales:
  • Estudio de Inicio de Trabajo de Parto: Aplicado a datos de proteómica y metabolómica para predecir el tiempo hasta el inicio espontáneo del trabajo de parto. PliableBVS identificó proteínas (ej. Angiopoyetina-2, Endostatina, SLPI) e interacciones biológicamente significativas, seleccionando a menudo menos características con un MSE de prueba menor que el pliable lasso. Identificó con éxito efectos de interacción dependientes del tiempo para proteínas específicas.
  • Estudio de Preeclampsia: Aplicado a un conjunto de datos longitudinales de proteómica para identificar biomarcadores de preeclampsia de inicio tardío (LOPE). El modelo identificó biomarcadores conocidos (ej. CRLF1, HTRA1, FLT1) y candidatos novedosos (ej. FOXM1, CEACAM20). Crucialmente, detectó cambios en la asociación de ciertas proteínas (ej. CRLF1) con el riesgo de LOPE dependientes de la edad gestacional, un patrón dinámico que podría pasarse por alto al analizar los puntos temporales por separado.

Significancia y Reivindicaciones
El artículo afirma que PliableBVS ofrece una herramienta flexible, interpretable y computacionalmente eficiente para la regresión de alta dimensión con interacciones estructuradas. Al combinar la contracción continua del Bayesian lasso con los priors de spike-and-slab de selección de variables discretas, el método mejora la precisión de la predicción y reduce los falsos descubrimientos en comparación con su contraparte frecuentista.

Los autores enfatizan que el método es particularmente valioso para la medicina personalizada y la investigación biomédica donde los efectos heterogéneos son modulados por unas pocas variables obligatorias. Sin embargo, mantienen una postura modesta respecto a los hallazgos biológicos: las características e interacciones identificadas en las aplicaciones de datos reales se presentan como generadoras de hipótesis en lugar de causales. Los autores señalan que, al igual que otros análisis de descubrimiento de alta dimensión, estos resultados requieren validación en poblaciones independientes antes de que se pueda establecer su relevancia clínica. También reconocen que, de forma similar a otros modelos de tipo lasso, PliableBVS tiende a seleccionar una variable de un conjunto de predictores altamente correlacionados, lo que sugiere posibles extensiones futuras utilizando priors de tipo elastic-net.