Tree-Structured Orthonormal Decomposition of the Aitchison Simplex

Resumen Técnico: Descomposición Ortonormal Estructurada en Árbol del Simplex de Aitchison

1. Planteamiento del Problema

Los datos composicionales —vectores de componentes no negativos que suman una constante (p. ej., abundancias microbianas, proporciones de tipos celulares)— residen en el simplex de Aitchison. El análisis estándar se basa en la geometría de Aitchison, donde la inferencia se realiza mediante razones en lugar de valores absolutos. La transformación de la Razón de Logaritmo Isométrica (ILR) mapea este simplex a un espacio tangente euclidiano, proporcionando un sistema de coordenadas ortonormal.

Sin embargo, los métodos ILR existentes enfrentan una limitación crítica al tratar con politomías (nodos con más de dos hijos), las cuales son ubicuas en jerarquías del mundo real como taxonomías, filogenias y ontologías.

• Incompatibilidad Estructural: Mientras que los árboles binarios permiten un mapeo uno a uno entre los nodos internos y los contrastes de razón de logaritmo (balances), los nodos politomos requieren $k-1$ contrastes ortogonales para capturar la estructura local completa de $k$ hijos.
• Elecciones Arbitrarias: Los enfoques actuales a menudo fuerzan estos árboles politomos hacia resoluciones binarias (p. ej., PhILR), introduciendo nodos y divisiones artificiales que no están presentes en la jerarquía original. Esto conduce a sistemas de coordenadas que son no canónicos, inestables y dependientes de elecciones de binarización arbitrarias.
• Geometría Incompleta: Los métodos existentes o bien ignoran la estructura jerárquica o no logran proporcionar una base ortonormal canónica y completa que respete la estructura de ramificación completa de árboles arbitrarios sin sacrificar la propiedad isométrica de la geometría de Aitchison.

2. Metodología: PolyILR

Los autores proponen PolyILR (ILR Politomo), una descomposición ortonormal canónica del espacio tangente de Aitchison alineada con cualquier topología de árbol enraizado, incluyendo los politomos.

Construcción Central:

1. Geometría Local en Nodos Internos: Para cada nodo interno $u$ con $k_u$ hijos, el método define un subespacio de contraste local $S_u \subset \mathbb{R}^{k_u}$ compuesto por vectores que suman cero. Este subespacio captura todas las comparaciones relativas entre las $k_u$ cladas descendientes.
2. Producto Interno Ponderado: Para asegurar que la ortonormalidad local se extienda a una ortonormalidad global, el método equipa $S_u$ con un producto interno ponderado:
   $$\langle h, h' \rangle_w = \sum_{r=1}^{k_u} \frac{h_r h'_r}{n_r}$$
   donde $n_r$ es el número de hojas en el subárbol del $r$-ésimo hijo. Esta ponderación tiene en cuenta los tamaños desiguales de los subárboles, asegurando que la propagación de los vectores locales a los vectores de las hojas globales preserve la ortogonalidad.
3. Selección de la Base Canónica: Los autores utilizan contrastes de Helmert como un punto de partida determinista. Estos son luego ortonormalizados bajo el producto interno ponderado $\langle \cdot, \cdot \rangle_w$ utilizando el proceso de Gram-Schmidt. Esto genera una base local única $\tilde{H}(u)$ dado un orden fijo de los hijos.
4. Propagación Global: Cada vector de la base local se "propaga" al espacio de las hojas globales $\mathbb{R}^d$. Si una hoja $i$ desciende del hijo $r$ del nodo $u$, su valor en el vector global se escala por $1/n_r$. Esta escala específica asegura que el producto interno global de dos vectores propagados sea igual a su producto interno ponderado local.
5. Ensamblaje: La recopilación de los vectores propagados de todos los nodos internos forma la matriz de la base global $V \in \mathbb{R}^{d \times (d-1)}$.

Propiedades Teóricas:

• Isometría: La transformación $\phi(x) = V^\top \log x$ es una isometría del simplex de Aitchison a $\mathbb{R}^{d-1}$.
• Propiedad de Contraste: $V^\top \mathbf{1} = 0$, lo que asegura que las coordenadas representen razones de logaritmos.
• Ortonormalidad: $V^\top V = I_{d-1}$.
• Canonicidad: Dada una topología de árbol, etiquetas de hojas y orden de hijos fijos, la base es única. Además, la topología del árbol puede recuperarse a partir de la estructura de soporte de las columnas de la base.

3. Contribuciones Clave

1. Descomposición Canónica: PolyILR proporciona la primera descomposición ortonormal canónica completa del espacio tangente de Aitchison para topologías de árbol arbitrarias, resolviendo la incompatibilidad entre la geometría de Aitchison y las jerarquías politomas.
2. Interpretabilidad: Cada coordenada en el espacio transformado corresponde biyectivamente a un par nodo-contraste específico en el árbol. Esto permite la interpretación directa de las características como razones de logaritmos entre grupos específicos de hojas (cladas) en cualquier resolución.
3. Estabilidad: Al evitar la binarización arbitraria, PolyIL রIL proporciona una selección de características estable. En contraste, los métodos que requieren resolución binaria (como PhILR) producen conjuntos de características inestables que varían significativamente con las elecciones de binarización.
4. Inferencia Multiescala: La construcción permite realizar pruebas de hipótesis estructuradas a múltiples resoluciones (p. ej., por profundidad, subárbol o nodo específico), ya que las coordenadas en distintos nodos ocupan subespacios ortogonales.
5. Conexión Teórica con Softmax: Los autores establecen un nuevo vínculo teórico entre el espacio tangente de Aitchison y el espacio logit de los clasificadores softmax. Demuestran que el cociente del espacio logit bajo equivalencia de desplazamiento es isomórfico al espacio tangente de Aitchison, sugiriendo que las coordenadas de PolyILR pueden usarse para analizar errores de modelos y gradientes en tareas de clasificación jerárquica.

4. Resultados Experimentales

Los autores evaluaron PolyILR en entornos de referencia estándar de microbioma (HMP, cMD3) y de célula única (DISCO).

• Validez de la Representación: PolyILR, PhILR y CLR arrojaron un rendimiento idéntico para modelos lineales (SVM, Regresión Logística), confirmando la equivalencia geométrica (isometría). El rendimiento de Random Forest varió modestamente, consistente con la sensibilidad a la elección del eje.
• Estabilidad de Características: PolyILR demostró una alta estabilidad en la selección de características (similitud de Jaccard de las $K$ mejores características a través de las iteraciones de validación cruzada), mientras que PhILR colapsó hacia una estabilidad cercana a cero debido a la inestabilidad de la binarización arbitraria.
• Interpretabilidad: Las mejores características identificadas por PolyILR correspondieron a contrastes biológicamente significativos consistentes con la literatura existente (p. ej., Streptococcus vs. Lactococcus en subtipos orales; Prevotella vs. Bacteroides en la occidentalización; desequilibrios mieloides vs. eritroides en leucemia).
• Inferencia a Nivel de Árbol: La agregación de la importancia de las características por profundidad de árbol, subárbol o nodo reveló que las señales predictivas se concentran en niveles jerárquicos específicos (p. ej., contrastes de nivel grueso para la occidentalización; contrastes de nivel de células inmunes para la leucemia), alineándose con estructuras biológicas conocidas.
• Robustez: Un análisis preliminar mostró que PolyILR permanece estable bajo ruido topológico (intercambios de vecino más cercano), con solo cambios locales en los vectores de la base, a diferencia de la disrupción global causada por la binarización.

5. Significado y Reivindicaciones

El artículo sostiene que PolyILR aborda una brecha fundamental en el análisis de datos composicionales al proporcionar un sistema de coordenadas geométricamente fundamentado, canónico y completo para datos organizados por árboles arbitrarios.

• Interpretabilidad sobre Rendimiento: El objetivo principal es la interpretabilidad de la representación misma. Cada coordenada es un contraste específico basado en el árbol, eliminando la necesidad de una interpretación post-hoc de índices anónimos.
• Generalización: PolyILR generaliza a PhILR (que está restringido a árboles binarios) a topologías arbitrarias sin sacrificar las propiedades isométricas de la geometría de Aitchison.
• Aplicabilidad Amplia: La conexión con los clasificadores softmax sugiere que PolyILR podría servir como una herramienta para analizar modelos probabilísticos jerárquicos, localizando potencialmente los errores del modelo dentro de una jerarquía de clases.

Los autores reconocen limitaciones: PolyILR requiere un árbol conocido y fijo como entrada y no maneja inherentemente la incertidumbre topológica (p. ej., el soporte de bootstrap). Además, como todos los métodos de razón de logaritmo, requiere un preprocesamiento de reemplazo de ceros. El artículo posiciona estos puntos como áreas para trabajos futuros en lugar de fallos actuales.