Module-Structured Mixture Factor Models to Identify Outcome-Specific Signatures in Gene Expression Data

Resumen Técnico: Modelos de Factores de Mezcla Estructurados por Módulos para Firmas Específicas de Resultados en Datos de Expresión Génica

Planteamiento del Problema
Los datos de expresión génica de alto rendimiento presentan desafíos significativos para el agrupamiento (clustering) no supervisado y el descubrimiento de subtipos de enfermedades debido a su alta dimensionalidad, complejas dependencias intergénicas y una pronunciada heterogeneidad biológica. Los enfoques tradicionales enfrentan una dicotomía: los métodos que ignoran la organización modular (basándose en efectos marginales de genes o supuestos de covarianza simplistas) sufren de inestabilidad numérica y una pobre interpretabilidad, mientras que el modelado de covarianza totalmente no estructurado es estadísticamente inviable y computacionalmente prohibitivo en entornos de alta dimensionalidad. Además, los modelos de mezcla existentes suelen tratar a los genes como variables intercambiables, fallando al no contabilizar explícitamente la organización modular inherente a los sistemas biológicos, lo que limita la captura de fuentes de variación específicas de las vías (pathways).

Metodología
Los autores proponen un Modelo de Factores de Mezcla Estructurado por Módulos (MS-MFM) que integra el modelado de mezclas finitas con representaciones de factores latentes de bajo rango definidas a nivel de módulo de genes.

• Marco del Modelo: El modelo asume una mezcla finita de $K$ clústeres latentes. Los vectores de expresión génica $x_i$ se modelan condicionalmente a la pertenencia al clúster $z_i=k$ mediante un proceso generativo jerárquico:
  $$x_i | (z_i=k) = \delta + M\alpha_k + Bf_i + \varepsilon_i$$
  donde:

  • $\delta$ representa los efectos basales globales específicos de cada gen.
  • $M\alpha_k$ codifica los desplazamientos a nivel de módulo específicos del clúster ($\alpha_k$), donde $M$ es una matriz de asignación gen-módulo. Esto permite que las diferencias de media se capturen a nivel de vía/módulo en lugar de a nivel de gen individual.
  • $Bf_i$ modela la dependencia latente dentro de los módulos. La matriz de carga $B$ se restringe como $B = SMU$, donde $S$ contiene escalamientos específicos de genes, $U$ contiene direcciones de carga a nivel de módulo, y $f_i$ son los factores latentes. Esta estructura impone que los genes dentro de un mismo módulo compartan direcciones de factores comunes.
  • $\varepsilon_i \sim N(0, D)$ representa el ruido residual específico de cada gen con una covarianza diagonal $D$.

• Estimación de Parámetros: Se desarrolla un algoritmo de Esperanza–Maximización Condicional (ECM) para la estimación de parámetros. El marco ECM descompone el paso de maximización en una secuencia de problemas de maximización condicional de menor dimensión (actualizando proporciones de mezcla, efectos de módulo, medias globales, coeficientes de escala, direcciones de carga y varianzas residuales por separado). Este enfoque asegura la estabilidad numérica y la escalabilidad en entornos transcriptómicos de alta dimensionalidad.

• Construcción de Módulos de Genes: Como paso de preprocesamiento, los genes se filtran mediante la Desviación Absoluta de la Mediana (MAD) y se agrupan mediante agrupamiento jerárquico aglomerativo basado en correlaciones pareadas para definir módulos de coexpresión. El artículo señala que el marco de modelado es agnóstico al método específico de construcción de módulos y puede acomodar módulos definidos externamente.

Resultados Clave
El marco fue aplicado a un gran conjunto de datos transcriptómicos clínicos que comprende 7ب5 muestras de dos enfermedades autoinmunes: Lupus Eritematoso Sistémico (LES) y Artritis Reumatoide (AR).

• Separación de Enfermedades No Supervisada: A pesar de no utilizar etiquetas de enfermedad durante el ajuste, el modelo (seleccionado mediante BIC con $K=9$ clústeres y $q=8$ factores latentes) separó naturalmente las muestras en clústeres dominados ya sea por AR o LES. Esto indica que las principales estructuras moleculares asociadas a la enfermedad emergen de los datos sin supervisión.
• Descubrimiento de Subtipos: El modelo identificó una heterogeneidad sustancial dentro de cada enfermedad.
  • Clústeres de AR: Caracterizados por efectos de módulo positivos coordinados (activación), particularmente en módulos relacionados con la biogénesis de ribosomas, el procesamiento de ARN y la modificación de proteínas. Un clúster (Clúster 6) exhibió una firma bidireccional distinta con activación y supresión fuerte simultáneas, lo que sugiere un estado molecular desregulado.
  • Clústeres de LES: Caracterizados por efectos de módulo ampliamente negativos (supresión), particularmente en módulos enriquecidos para la señalización inmunitaria y las vías inflamatorias.
• Interpretación Funcional: El análisis de enriquecimiento (GO, KEGG y Human Phenotype Ontology) vinculó los clústeres inferidos con procesos biológicos y fenotipos clínicos específicos. Por ejemplo, los clústeres dominantes de LES se vincularon con la supresión inmunitaria y fenotipos autoinmunes, mientras que los clústeres de AR se vincularon con la actividad biosintética.
• Desempeño Comparativo: Un análisis comparativo contra un modelo utilizando módulos construidos mediante el Análisis de Redes de Coexpresión Génica Ponderada (WGCNA) demostró la superioridad del enfoque propuesto. El modelo basado en WGCNA, que resultó en solo 3 módulos, no logró capturar la heterogeneidad de la enfermedad (produciendo clústeres de enfermedades mixtas) y arrojó un BIC significativamente peor ($\Delta$BIC $\approx$ 250,000) en comparación con el modelo basado en MAD-HC (19 módulos). Esto sugiere que la estructura de módulos de grano más fino es esencial para un agrupamiento de alta resolución.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto logra un equilibrio principista entre la flexibilidad del modelo, la interpretabilidad biológica y la tractabilidad computacional. Sus contribuciones principales son:

1. Estructura Modular Explícita: Al incorporar módulos de genes tanto en la estructura de la media (mediante desplazamientos específicos del clúster) como en la de la covarianza (mediante factores latentes compartidos), el modelo captura patrones de dependencia biológicamente significativos que los modelos de mezcla convencionales omiten.
2. Interpretabilidad: La descomposición de la variabilidad en efectos globales, desplazamientos a nivel de módulo, dependencia latente y ruido residual permite la identificación de "módulos firma" que definen subtipos moleculares, yendo más allá del simple agrupamiento a nivel de gen.
3. Escalabilidad: El algoritmo ECM permite una inferencia estable en entornos de alta dimensionalidad donde el número de genes excede con creces al de las muestras.
4. Relevancia Clínica: La capacidad de identificar subtipos moleculares distintos y funcionalmente diferenciados dentro de enfermedades autoinmunes complejas sugiere estrategias potenciales para la estratificación de pacientes y la intervención dirigida, resaltando la presencia de heterogeneidad más allá de la clasificación binaria de la enfermedad.

Los autores concluyen que, si bien el enfoque actual trata los módulos como entradas fijas, el trabajo futuro podría extenderse para aprender conjuntamente las estructuras de los módulos dentro del marco de la mezcla o aplicar la formulación a otras modalidades biológicas de alta dimensionalidad como la proteómica.