Multimodal data integration and cross-modal querying via orchestrated approximate message passing

Résumé technique : Intégration de données multimodales et interrogation cross-modale via le passage de messages approximatif orchestré

Formulation du problème
L'article traite du défi de l'intégration de données multimodales où plusieurs ensembles de caractéristiques complémentaires sont mesurés sur un même ensemble d'échantillons, un scénario prévalent dans les études multi-omiques sur cellule unique (par exemple, la mesure simultanée du transcriptome, des protéines de surface et de l'accessibilité de la chromatine). Les auteurs modélisent cela comme un problème multifactoriel dépendant impliquant $m$ ensembles de données de haute dimension ($X_h \in \mathbb{R}^{N \times p_h}$) et $\tilde{m}$ ensembles de données de basse dimension ($\tilde{X}_\ell \in \mathbb{R}^{N \times r_\ell}$).

Les composantes du signal dans ces matrices sont supposées provenir de structures de rang faible pilotées par des facteurs latents. Les signaux de haute dimension sont modélisés par $X_h = \frac{1}{\sqrt{N}} U_h D_h V_h^\top + W_h$, et les signaux de basse dimension par $\tilde{X}_\ell = \tilde{U}_\ell L_\ell^\top + \tilde{W}_\ell$. Crucialement, les vecteurs de facteurs latents ($U_h$ et $\tilde{U}_\ell$) pour un même sujet à travers différentes modalités sont supposés dépendants, tirés d'une distribution a priori jointe $\mu$. L'objectif est double :

1. Intégration de données : Récupérer conjointement les signaux latents ($U_h, V_h, \tilde{U}_\ell$) à partir de la collection de matrices bruitées.
2. Interrogation cross-modale : Étant donné un nouveau sujet « requête » avec des observations partielles (un sous-ensemble de modalités et/ou un sous-ensemble de caractéristiques au sein des modalités), construire un ensemble de prédiction statistiquement valide pour la représentation latente complète du sujet.

Les méthodes existantes (par exemple, WNN, MOFA+, totalVI) sont notées comme reposant sur des heuristiques manquant de fondements mathématiques rigoureux pour la généralisation et, de manière critique, échouent à fournir une quantification de l'incertitude pour les prédictions.

Méthodologie : OrchAMP
Les auteurs proposent OrchAMP (Orchestrated Approximate Message Passing), un algorithme entièrement piloté par les données conçu pour atteindre une récupération de signal statistiquement optimale et construire des ensembles de prédiction.

1. Initialisation : L'algorithme commence par une décomposition en valeurs singulières (SVD) des matrices de données observées pour obtenir des estimations initiales des facteurs latents. Il estime ensuite les paramètres de nuisance (intensités du signal et structures de covariance) et apprend les lois a priori empiriques ($\hat{\mu}$ et $\hat{\nu}_h$) via une approche Bayésienne empirique.
2. Raffinement itératif : OrchAMP effectue des mises à jour synchrones à travers plusieurs « orbites » (une pour chaque modalité). À chaque itération $t$ :
   • Débruitage : L'algorithme applique des débruiteurs par ligne ($u_{t,h}$ et $v_{t,h}$) qui sont des espérances conditionnelles des facteurs latents étant donné les estimations actuelles et les lois a priori apprises. Ces débruiteurs intègrent l'information de toutes les modalités simultanément.
   • Évolution de l'état : L'algorithme suit la distribution asymptotique des estimations en utilisant des paramètres d'évolution d'état ($\Sigma, S$) qui évoluent de manière récursive.
   • Correction d'Onsager : Pour garantir que les estimations se comportent comme un bruit gaussien indépendant dans la limite de haute dimension, l'algorithme soustrait des termes impliquant les jacobiennes des débruiteurs (corrections d'Onsager) des mises à jour actuelles.
3. Construction de l'ensemble de prédiction : Pour un sujet de requête présentant des observations partielles, la méthode calcule d'abord une estimation ponctuelle des facteurs latents par les moindres carrés et l'atlas appris. Elle exploite ensuite la normalité asymptotique des itérations d'OrchAMP pour définir une distribution conditionnelle pour les facteurs latents de la requête. Un ensemble de prédiction est construit comme une boule $\ell_2$ centrée sur l'estimation ponctuelle, avec un rayon déterminé par le quantile $(1-\alpha)$ de la distance euclidienne sous la distribution conditionnelle, garantissant une validité asymptotique.

Contributions clés

1. Algorithme OrchAMP : La proposition d'un algorithme entièrement piloté par les données pour l'estimation intégrative de composantes de signal dans des modèles factoriels multimodaux dépendants. La méthode gère des rangs de signaux variables entre les modalités et incorpore l'information spécifique à chaque modalité sans la détruire lors de l'intégration.
2. Justification théorique :
   • Normalité asymptotique : Les auteurs établissent la normalité asymptotique « grand $N$ » de toutes les itérations de l'algorithme sous des conditions générales pour une large gamme de lois a priori.
   • Optimalité Bayésienne : Sous une condition de point fixe unique sur l'évolution de l'état, les estimateurs sont montrés pour atteindre l'optimalité Bayésienne asymptotique (minimisant l'erreur quadratique moyenne).
   • Ensembles de prédiction : L'article fournit la première construction d'ensembles de prédiction asymptotiquement valides pour des sujets de requête dans un contexte multimodal. Ces ensembles restent valides même si la condition de point fixe unique n'est pas satisfaite.
3. Validation empirique : La méthode est validée sur des données synthétiques et des données réelles de TEA-seq sur cellule unique (transcriptome, épitopes, accessibilité de la chromatine).

Résultats

• Données synthétiques : Dans les simulations, OrchAMP surpasse l'ACP bayésienne empirique (EB-PCA) séparée et la SVD standard, particulièrement lorsque les rapports signal sur bruit (SNR) sont faibles ou que la dépendance inter-modalités ($\rho$) est élevée. Le gain de performance est plus marqué pour les modalités ayant des signaux plus faibles, démontrant le bénéfice du partage de force entre les modalités.
• Couverture de prédiction : Dans les expériences en échantillon fini, les ensembles de prédiction à 95 % construits ont atteint des probabilités de couverture empirique proches du niveau nominal (par exemple, 0,92–0,98), démontant la capacité de la méthode à fournir une quantification de l'incertitude bien calibrée.
• Données réelles (TEA-seq) : Sur un jeu de données de PBMC humain, OrchAMP a atteint des performances de clustering (mesurées par le score de silhouette, la mesure V, l'ARI et le cLISI) comparables aux méthodes de pointe comme Seurat WNN et MOFA+.
• Interrogation : Lors de l'interrogation de l'atlas construit avec des cellules mesurées dans une seule modalité, les ensembles de prédiction résultants se sont révélés hautement informatifs, occupant généralement un sous-ensemble spécifique du cluster de type cellulaire correct plutôt que de simplement fournir une étiquette grossière.

Signification et revendications
L'article revendique la fourniture d'un cadre statistique rigoureux pour l'intégration de données multimodales qui dépasse les approches heuristiques. Sa principale importance réside dans :

• Garanties théoriques : Offrir des garanties de performance prouvables et une optimalité asymptotique sous un modèle multifactoriel dépendant stylisé mais réaliste.
• Quantification de l'incertitude : Être la première méthode à générer des atlas permettant des ensembles de prédiction asymptotiquement valides pour de nouveaux sujets avec des observations partielles, comblant ainsi une lacune critique dans les pratiques actuelles de transfert d'étiquettes où l'incertitude est rarement quantifiée.
• Généralité : Bien qu'inspirée par la multi-omique sur cellule unique, la théorie et le modèle proposés sont généraux et applicables à tout contexte impliquant des signaux de rang faible dépendants à travers plusieurs sources de données.

Les auteurs soulignent que, bien que leur méthode égale les capacités de ségrégation cellulaire des outils existants, elle offre de manière unique une voie théoriquement justifiable vers l'interrogation cross-modale avec une incertitude quantifiée.