Estimating Gaussian graphical models of multi-study data with Multi-Study Factor Analysis

Résumé technique : Modèles graphiques gaussiens à facteurs multi-études appliqués à la métabolomique du diabète gestationnel

Énoncé du problème
Le diabète gestationnel (DG) est un trouble métabolique associé à des issues maternelles et néonatales défavorables. Bien que le profilage métabolomique ait réussi à lier des métabolites spécifiques au statut de DG, des preuves émergentes suggèrent que le DG n'est pas caractérisé par un dysfonctionnement isolé de métabolites, mais par des changements coordonnés dans des groupes de métabolites formant des motifs ou des signatures distinctes. Les approches statistiques existantes font face à une limite : l'analyse factorielle (AF) standard identifie des variables latentes (facteurs) représentant des caractéristiques coordonnées, mais ne modélise pas les dépendances conditionnelles (structures de réseau) entre elles. Inversement, les modèles de réseaux, tels que les modèles graphiques gaussiens (MGG), représentent efficacement les dépendances conditionnelles mais ne parviennent généralement pas à déconvoluer les signaux partagés des signaux spécifiques à une condition à travers plusieurs études ou groupes. Les méthodes actuelles d'analyse de réseaux différentiels estiment souvent les réseaux pour chaque condition séparément ou estiment directement les différences, échouant ainsi à séparer explicitement les contributions partagées et celles spécifiques à l'étude. Ce fossé nécessite une approche intégrée capable d'identifier des motifs de réseaux partagés et divergents basés sur des représentations de variables latentes à travers plusieurs conditions.

Méthodologie : MSFA-X
Les auteurs introduisent le MSFA-X (Extended Multi-Study Factor Analysis), un nouveau cadre qui combine l'analyse factorielle multi-études (MSFA) avec la modélisation de réseaux pour construire des MGG basés sur des variables latentes.

• Formulation du modèle : Le MSFA-X étend la MSFA standard en modélisant les données observées $x_{is}$ (pour le sujet $i$ dans l'étude $s$) comme une somme de facteurs partagés ($f_{is}$), de facteurs spécifiques à l'étude ($l_{is}$) et de composantes de bruit décomposées. Contrairement à la MSFA standard où la matrice de covariance résiduelle $\Psi_s$ est une matrice diagonale unique, le MSFA-X partitionne le bruit résiduel en une composante partagée ($\Gamma$) et une composante spécifique à l'étude ($H_s$). La matrice de covariance pour l'étude $s$ est décomposée comme suit :
  $$\Sigma_s = \Phi\Phi^\top + \Lambda_s\Lambda_s^\top + \Gamma + H_s$$
  où $\Phi$ représente les chargements partagés, $\Lambda_s$ les chargements spécifiques à l'étude, et $\Gamma$ et $H_s$ sont des matrices diagonales de rang plein.

• Estimation de la matrice de précision : Cette décomposition garantit que la composante de covariance partagée ($\Phi\Phi^\top + \Gamma$) et les composantes de covariance spécifiques à l'étude ($\Lambda_s\Lambda_s^\top + H_s$) sont inversibles. Cela permet l'estimation directe des matrices de précision partagées et spécifiques à l'étude ($\Theta = \Sigma^{-1}$), qui définissent les arêtes des MGG basées sur les corrélations partielles. Cette approche évite le recours aux paramètres de réglage typiquement requis par les méthodes de vraisemblance pénalisée comme le lasso graphique (glasso) lorsqu'elles sont appliquées à des matrices singulières.

• Estimation et identifiabilité : Les paramètres du modèle sont estimés à l'aide d'un algorithme d'espérance-maximisation conditionnelle (ECM). Les auteurs traitent plusieurs problèmes d'identifiabilité :

  1. Indétermination de rotation : Résolue par des contraintes triangulaires inférieures par blocs sur les matrices de chargement.
  2. Changement d'étiquette (Label Switching) : Traité par les mêmes contraintes.
  3. Séparation des composantes : Assurée par des contraintes de rang sur la matrice de chargement combinée.
  4. Décomposition du bruit : La séparation de $\Gamma$ et $H_s$ n'est pas statistiquement identifiable (seule leur somme l'est). Les auteurs proposent une stratégie pratique consistant à estimer $\Gamma$ au centre de la région de non-identifiabilité ($\hat{\gamma}_p = 0,5 \times \min_s \hat{\psi}_{ps}$), arguant que bien que les estimations individuelles du bruit ne soient pas cohérentes, les matrices de précision résultantes restent pratiquement significatives.

• Test de signification : La signification des arêtes est évaluée à l'aide d'une approche de l'hypothèse nulle empirique. Des données nulles sont générées sous l'hypothèse d'absence d'associations conditionnelles, et les p-valeurs empiriques sont calculées sur la base de la distribution des poids d'arêtes nuls.

Résultats clés

• Études de simulation : Des simulations approfondies à travers dix configurations (variant la taille des échantillons, le nombre d'études, les facteurs et les niveaux de bruit) ont démontré que le MSFA-X surpasse significativement les références standards du lasso graphique (glasso) pour récupérer les structures de réseaux partagées et spécifiques à l'étude. La méthode a atteint des coefficients RV modifiés élevés (souvent > 0,99) entre les matrices d'adjacence estimées et réelles, alors que les approches basées sur le glasso présentaient des coefficients nettement inférieurs, particulièrement pour les réseaux spécifiques à l'étude.
• Application à l'étude HAPO : Appliqué aux données métabolomiques de l'étude HAPO (Hyperglycemia and Adverse Pregnancy Outcomes) (3 463 participantes : 576 avec DG, 2 887 sans DG), le MSFA-X a identifié :
  • Réseaux partagés : Deux sous-réseaux distincts : l'un reliant les acides aminés (AA) aux acylcarnitines à chaîne longue, et un autre reliant les acylcarnitines à chaîne courte et moyenne.
  • Différences spécifiques à la condition : Chez les femmes sans DG, la glutamine/glutamate agissait comme un nœud central connectant les AA aux acylcarnitines à chaîne courte et moyenne. Chez les femmes avec DG, cette fonction de nœud était perdue ; la glutamine/glutamate devenait déconnectée du reste du réseau. Inversement, les acides aminés aromatiques (histidine, phénylalanine, tyrosine) sont devenus des nœuds centraux forts spécifiquement dans le réseau du DG.
  • Validation biologique : Les facteurs latents dérivés du MSFA-X étaient associés à l'adiposité du nouveau-né (somme des plis cutanés). Le facteur spécifique au DG (chargement sur les AA aromatiques) et les facteurs partagés étaient significativement associés à l'adiposité du nouveau-né chez les femmes présentant un DG, même après ajustement pour les covariables. Cette association n'a pas été observée chez les femmes sans DG, suggérant que la dysrégulation métabolique capturée par ces facteurs latents confère un risque spécifique aux nouveau-nés de mères atteintes de DG.

Signification et affirmations
L'article affirme que le MSFA-X offre une perspective distinctive et interprétable pour l'analyse de données multi-conditions en déconvoluant explicitement les signaux partagés et spécifiques à l'étude, une capacité qui fait défaut aux méthodes existantes d'analyse de réseaux différentiels. Les auteurs soutiennent que la méthode récupère avec succès les structures graphiques induites par les variables latentes et surpasse les références naïves.

L'application au DG révèle que le milieu métabolique du DG implique une perturbation systémique où des nœuds clés (comme la glutamine/glutamate) se déconnectent, et de nouveaux nœuds centraux (AA aromatiques) émergent. Les auteurs concluent que ces facteurs latents capturent une variation biologiquement significative des profils métabolomiques qui est liée à l'adiposité du nouveau-né, offrant un mécanisme potentiel pour comprendre comment le DG maternel influence les issues néonatales. La méthode est présentée comme un outil général applicable à toute donnée normale multivariée présentant des structures de variables latentes dans des contextes multi-conditions, et n'est pas limitée à la métabolomique. Le package R implémentant le MSFA-X est mis à la disposition de la communauté de recherche.