Composition as Direction: An Active-Set Ray-Based Model for Sparse High-Dimensional Compositional Data

Resumen Técnico: Composición como Dirección: Un Modelo de Conjunto Activo Basado en Rayos para Datos Composicionales Esparsos de Alta Dimensión

1. Planteamiento del Problema

Los datos composicionales, prevalentes en la investigación microbiana, ecológica y ambiental, presentan cuatro desafíos simultáneos: ceros exactos, dependencia latente entre componentes, alta dimensionalidad y la restricción de suma unitaria (cierre de simplex). La restricción de suma unitaria induce una geometría no euclidiana donde las proporciones observadas compiten, lo que a menudo oscurece o revierte el signo de las asociaciones latentes subyacentes impulsadas por factores ambientales compartidos.

Los enfoques existentes no logran abordar estas características de forma conjunta:

• Los modelos de tipo Dirichlet imponen estructuras de covarianza inflexibles ligadas a la media y no pueden representar correlaciones positivas arbitrarias inducidas por impulsores latentes compartidos.
• Los modelos log-normales ofrecen flexibilidad mediante transformaciones de razón de logaritmos (log-ratio), pero no están definidos en ceros exactos, lo que requiere reemplazos ad hoc que confunden la presencia con la dominancia.
• Los modelos gaussianos proyectados (por ejemplo, el Angular Gaussiano Simétrico Elípticamente) preservan la estructura direccional y manejan los ceros, pero requieren condicionar sobre el ortante no negativo. Esto requiere evaluar una probabilidad de ortante dependiente de los parámetros (la probabilidad de que un vector gaussiano caiga en el ortante positivo), lo cual se vuelve computacionalmente prohibitivo a medida que la dimensión $d$ aumenta debido a la divergencia exponencial de la varianza en los estimadores estándar.

2. Metodología: El Marco de Composición Basado en Rayos de Conjunto Activo (ARC)

El marco ARC propuesto redefine una composición no como un punto en el simplex, sino como la dirección observada de un vector de abundancia latente con una magnitud no observada y un conjunto activo explícitamente modelado.

Incrustación Geométrica:
La composición $u$ se mapea al ortante no negativo del hiperesfera unitaria $S^{d-1}_{0,+}$ mediante una transformación de raíz cuadrada elemento a elemento $y = \sqrt{u}$. Esto preserva los ceros exactos como puntos frontera ($u_k=0 \iff y_k=0$) sin requerir reemplazo o regularización.

Factorización del Conjunto Activo:
El modelo descompone la verosimilitud en dos procesos distintos:

1. El Proceso del Conjunto Activo ($A_i$): Un proceso discreto de presencia/ausencia que rige qué componentes están presentes ($y_{ik} > 0$). Se modela mediante una especificación de factor probit con covariables y factores latentes para capturar patrones de coocurrencia. Los ceros estructurales se tratan como un evento modelado en lugar de un estorbo.
2. La Subcomposición Positiva ($y^+_i$): Condicionada al conjunto activo $A_i$, la subcomposición positiva se modela evaluando una densidad gaussiana latente a lo largo de los rayos positivos del subespacio activo.

Aumento del Radio Latente:
Una innovación clave es la introducción de un radio latente $r_i > 0$. El vector activo latente se define como $x^+_i = r_i y^+_i$.

• El vector $x^+_i$ sigue una distribución multivariante gaussiana $N(\mu^+_i, V_{A_i A_i})$ en el subespacio activo.
• Los datos observados $y^+_i$ son la dirección de $x^+_i$.
• Al tratar a $r_i$ como una variable auxiliar, el modelo evalúa la densidad gaussiana a lo largo del rayo observado. Esta construcción elimina la necesidad de la constante de normalización del ortante (la probabilidad de que $x^+_i$ caiga en el ortante positivo) porque el condicionamiento sobre el conjunto activo y la positividad de $r_i$ aseguran que el soporte esté naturalmente restringido al ortante positivo por construcción.

Estructura de Covarianza:
Para asegurar la escalabilidad en altas dimensiones ($d \gg n$), la covarianza latente $V$ se parametriza utilizando un modelo de factor de bajo rango: $V = \Lambda\Lambda' + D$. Esto reduce el recuento de parámetros de $O(d^2)$ a $O(dq + d)$ y permite la recuperación de cualquier dependencia latente (positiva o negativa) en la escala de abundancia, distinta de la escala composicional.

Inferencia:
El marco se implementa mediante un modelo jerárquico bayesiano utilizando MCMC. El muestreador utiliza:

• Actualizaciones del radio latente (Metropolis 1D).
• Aumento de Albert-Chib para el modelo de conjunto activo probit.
• Actualizaciones condicionalmente gaussianas para factores, coeficientes de regresión y cargas (loadings).
  El costo computacional por iteración escala linealmente con $d$ para un rango de factor fijo y conjuntos activos dispersos, evitando el costo exponencial de la evaluación de la probabilidad del ortante.

3. Contribuciones Clave

El artículo reclama cuatro contribuciones principales:

1. Propuesta de Modelo: El modelo ARC para datos composicionales dispersos de alta dimensión, derivando una verosimilitud que trata el radio como una variable latente auxiliar.
2. Manejo de Ceros Estructurales: Una extensión a ceros estructurales mediante una formulación de conjunto activo que separa el proceso de presencia/ausencia de la subcomposición positiva, permitiendo distintas covariables y distribidades para cada uno.
3. Inferencia Tratable: La introducción de una covarianza de factor de bajo rango combinada con un modelo de conjunto activo probit, lo que produce actualizaciones condicionalmente gaussianas que escalan a altas dimensiones sin cálculos de probabilidad de ortante.
4. Recuperación Conjunta: Demostración de que el proceso de conjunto activo y la dependencia positiva latente pueden recuperarse conjuntamente en datos dispersos de alta dimensión.

4. Resultados

Un estudio de simulación con $n=350$ y dimensiones $d \in \{20, \dots, 1000\}$ bajo variaciones en regímenes de dispersión y estructuras de dependencia (bloque y no estructurada) arrojó lo siguiente:

• Recuperación del Conjunto Activo: El modelo recuperó consistentemente la estructura de coocurrencia (AUC 0.83–0.86) y las tasas de coactivación por pares (correlación > 0.97) en todas las dimensiones y niveles de dispersión.
• Recuperación de la Dependencia Latente: El modelo recuperó con éxito la matriz de correlación latente real $R$ (correlación entre las correlaciones estimadas y las reales > 0.93, a menudo > 0.99).
• Comparación con Baselines: La correlación empírica de las composiciones observadas (el "baseline observado") falló en capturar la dependencia latente, con correlaciones que cayeron hasta 0.21 bajo alta dispersión. Esto confirma que el cierre de simplex oscurece severamente la dependencia positiva latente, una señal que el modelo ARC logra recuperar con éxito.
• Escalabilidad: El método se mantuvo estable y preciso a medida que $d$ aumentaba, beneficiándose de la "bendición de la dimensionalidad", donde más componentes cargan en los mismos factores, refinando la estimación del subespacio compartido.

5. Significado y Reivindicaciones

El artículo posiciona el marco ARC como un avance conceptual y computacional para el análisis de datos composicionales.

• Reencuadre Conceptual: Redefine una composición como la dirección observada de un vector de abundancia latente. Esta separación permite al modelo distinguir entre los mecanismos que gobiernan la presencia (ceros estructurales, dispersión) y los mecanismos que gobiernan la dominancia (competencia, impulsores compartidos).
• Superación de Barreras Computacionales: Al evitar la constante de normalización del ortante, el marco hace que los modelos gaussianos proyectados sean factibles en entornos de alta dimensión donde los enfoques previos basados en truncamiento eran computacionalmente intratables.
• Utilidad Científica: El marco es particularmente adecuado para campos como la microbioma y la ecología, donde los ceros exactos y las respuestas positivas compartidas son características científicas centrales en lugar de artefactos de los datos. Recupera la dependencia de la "escala de abundancia" que de otro modo quedaría enmascarada por la restricción de suma unitaria, proporcionando una representación más precisa de los procesos biológicos y ecológicos.

Los autores señalan que, si bien la implementación actual utiliza un rango de factor fijo, el marco es compatible con la selección de rango adaptativo (por ejemplo, procesos gamma multiplicativos) y puede extenderse a entornos espaciales, espacio-temporales y de error de detección aprovechando la estructura gaussiana condicional de los vectores activos aumentados.