📊 statistics

Testing for a common subspace in compositional datasets with structural zeros

Cet article propose un nouveau test statistique, disponible sous formes paramétrique et non paramétrique, pour déterminer si deux ensembles de données compositionnelles présentant des motifs distincts de zéros structurels partagent un sous-espace principal commun tout en maintenant la compatibilité avec la géométrie d'Aitchison.

Auteurs originaux : Francesco Porro, Fabio Rapallo, Sara Sommariva

Publié 2026-08-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Francesco Porro, Fabio Rapallo, Sara Sommariva

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde caché du corps humain, la vie n'existe souvent pas sous la forme d'un organisme unique, mais comme une communauté foisonnante de résidents microscopiques. Les scientifiques qui étudient ces communautés, telles que les bactéries vivant dans notre intestin ou sur notre peau, ne les mesurent pas par leur poids total ou ne comptent pas chaque cellule individuellement. Au lieu de cela, ils observent les proportions : quel pourcentage de la communauté appartient à un type de bactérie par rapport à un autre. Ce type de données, où la somme de toutes les parties est toujours égale à un tout, est appelé données compositionnelles. Comme l'accent est mis sur la relation entre les parties plutôt que sur leur taille absolue, les outils statistiques standards échouent souvent, poussant les chercheurs à utiliser des méthodes spécialisées qui respectent ces règles mathématiques uniques. Cependant, un problème persistant survient lors de l'étude de ces communautés : certains types de bactéries sont totalement absents de certains sites corporels. Ils ne sont pas simplement absents en raison d'une erreur d'échantillonnage ; ils sont structurellement absents, ce qui signifie que l'environnement ne les supporte tout simplement pas. Lorsque les chercheurs tentent de comparer deux groupes de données où l'un des groupes possède des parties entièrement différentes de l'autre, les cartes mathématiques qu'ils utilisent habituellement pour visualiser et analyser les données s'effondrent, les laissant incapables de voir si les deux groupes partagent des similitudes sous-jacentes.

Une équipe de chercheurs de l'Université de Gênes a développé une nouvelle façon de résoudre ce casse-tête, permettant aux scientifiques de comparer ces communautés fragmentées et de déterminer si elles partagent une structure commune. Le cœur de leur travail répond à un défi spécifique de l'analyse du microbiome : comment tester si deux groupes d'échantillons différents, possédant chacun son propre schéma unique de bactéries manquantes, tournent toujours autour du même axe central de variation. Imaginez essayer de comparer la forme de deux nuages, mais l'un des nuages est dépourvu de son côté gauche et l'autre de son côté droit ; les méthodes traditionnelles diraient que vous ne pouvez pas les comparer car ils se trouvent dans des espaces différents. Les chercheurs ont créé un test statistique qui aligne efficacement les deux groupes distincts au sein d'un cadre unique et unifié sans deviner les valeurs manquantes. Au lieu de remplacer les zéros structurels par de petits nombres — une pratique que les auteurs rejettent explicitement car elle fausse les données — ils ont construit une méthode qui respecte la géométrie des données, traitant l'absence d'une partie comme une caractéristique significative et utilisant des opérateurs mathématiques pour projeter les différents sous-espaces dans un système de coordonnées commun pour la comparaison.

Pour prouver l'efficacité de leur méthode, les auteurs ont réalisé des milliers de simulations informatiques utilisant différents types de distributions de données, y compris celles qui imitent la nature imprévisible des échantillons biologiques réels. Ils ont testé leur nouvelle procédure par rapport aux méthodes existantes et ont constaté que leur approche était robuste, particulièrement lorsque les données ne suivaient pas une courbe en cloche parfaite et lisse. Dans ces scénarios plus complexes, leur nouveau test était plus performant pour éviter les fausses alertes tout en identifiant correctement quand deux groupes partageaient réellement une structure commune. Les chercheurs ont ensuite appliqué leur méthode à des données réelles du Projet Microbiome Humain, comparant les communautés bactériennes trouvées dans différentes parties du corps humain. Ils ont examiné des échantillons du devant du nez par rapport à l'intérieur du coude, ainsi que des échantillons de selles par rapport à la salive. Dans la première comparaison, le test a révélé que, malgré le fait que le nez et le coude aient des ensembles différents de bactéries manquantes, les communautés présentes partageaient un modèle de variation sous-jacent commun. L'analyse a souligné que la présence ou l'absence de bactéries spécifiques et rares était un moteur majeur des différences entre les échantillons, même si ces bactéries n'étaient pas abondantes.

En revanche, lorsque les chercheurs ont comparé l'intestin et la bouche, le test a montré que ces deux environnements étaient fondamentalement différents. Les communautés dans les selles et la salive ne partageaient pas un squelette structurel commun ; elles étaient organisées de manières totalement différentes. Cette distinction est cruciale car elle indique aux scientifiques que les règles régissant les communautés bactériennes de l'intestin ne sont pas les mêmes que celles de la bouche, et qu'ils ne peuvent pas être analysés comme des variations d'un même système. Les chercheurs ont également démontré comment visualiser ces résultats à l'aide d'un type de graphique spécifique qui montre quels groupes bactériens sont à l'origine des similitudes ou des différences entre les sites. En identifiant quelles bactéries contribuent le plus aux modèles partagés, la méthode offre une fenêtre claire sur les forces biologiques qui façonnent ces communautés. Ce travail fournit un outil fiable aux chercheurs pour naviguer dans le paysage complexe des données manquantes, garantissant que les comparaisons entre différents sites corporels ou différentes populations soient basées sur un fondement mathématique solide plutôt que sur des hypothèses erronées.

Résumé Technique : Test de l'existence d'un sous-espace commun dans les ensembles de données compositionnelles avec des zéros structurels

Énoncé du Problème
L'article traite d'un défi spécifique de l'analyse de données compositionnelles (CoDA) : tester l'existence d'un sous-espace principal commun entre deux groupes de données compositionnelles lorsque ces groupes présentent des schémas différents de zéros structurels. Les zéros structurels représentent l'absence réelle d'un phénomène (par exemple, un phylum bactérien absent d'un site corporel spécifique), ce qui les distingue des zéros de comptage ou d'arrondi.

Les méthodologies standard de la CoDA, telles que l'analyse en composantes principales (ACP) basée sur les transformations de rapports de logarithmes (clr, ilr), nécessitent des données strictement positives. Par conséquent, les ensembles de données présentant des zéros structurels sont généralement divisés en sous-échantillons basés sur leurs schémas de zéros, et des ACP distinctes sont effectuées. Cependant, cette approche empêche la comparaison directe des sous-espaces principaux résultants car les données transformées résident dans des espaces vectoriels de dimensions différentes ( $\mathbb{R}^{D-Q_1-1}$ vs $\mathbb{R}^{D-Q_2-1}$ ). Les méthodes existantes pour comparer les sous-espaces principaux (par exemple, le modèle CPC de Flury ou le test de Schott) supposent que les données se situent dans le même espace euclidien, une hypothèse violée par les zéros structurels.

Méthodologie
Les auteurs proposent un cadre statistique pour tester l'hypothèse nulle ( $H_0$ ) selon laquelle deux sous-populations compositionnelles, $Y$ et $Z$ , présentant des schéma de zéros structurels distincts, partagent un sous-espace de composantes principales commun de taille $K$ .

Cadre Géométrique :
- L'ensemble de données est partitionné en deux groupes, $Y$ et $Z$ , où $Y$ possède $Q_1$ zéros structurels et $Z$ possède $Q_2$ zéros structurels.
- Les auteurs appliquent la transformation du rapport logarithmique isométrique (ilr) aux parties non nulles de chaque groupe. De manière cruciale, ils utilisent un système de coordonnées spécifique de « pivot arrière » (backward pivot) où les $M-1$ premières composantes (où $M$ est le nombre de parties non nulles communes) ne sont pas affectées par les zéros structurels de l'autre groupe.
- Pour comparer les sous-espaces, les auteurs définissent des opérateurs d'inclusion canoniques linéaires ( $\iota_Y$ et $\iota_Z$ ) qui projettent les vecteurs propres des espaces réduits ( $\mathbb{R}^{D-Q_1-1}$ et $\mathbb{R}^{D-Q_2-1}$ ) dans un espace ambiant commun $\mathbb{R}^{D-1}$ en complétant par des zéros correspondant aux positions des zéros structurels.
Statistique de Test :
- Inspirés par Schott (1988), les auteurs définissent une statistique de test $T$ basée sur les valeurs propres des matrices de covariance échantillonnées des données transformées ( $\hat{\Omega}_Y, \hat{\Omega}_Z$ ) et une matrice de covariance combinée construite via les opérateurs d'inclusion.
- $T = \sum_{i=1}^K \left( (n_y - 1)\hat{\alpha}_i + (n_z - 1)\hat{\beta}_i - \hat{\gamma}_i \right)$ , où $\hat{\alpha}, \hat{\beta}$ sont les valeurs propres des groupes individuels et $\hat{\gamma}$ sont les valeurs propres de la matrice combinée.
Procédures d'Inférence :
- Approche Paramétrique : En supposant que les données suivent une distribution normale sur le simplexe (normalité du rapport de logarithme), les auteurs dérivent une approximation analytique de la distribution nulle de $T$ . Cette distribution est approximée par une distribution $\chi^2$ mise à l'échelle, $T \sim \frac{\sigma_T^2}{2\mu_T} \chi^2_{\frac{2\mu_T^2}{\sigma_T^2}}$ , où les paramètres $\mu_T$ et $\sigma_T^2$ sont des fonctions des valeurs propres et vecteurs propres de la population. Ces derniers sont estimés à l'aide de statistiques d'échantillonnage.
- Approche Nonparamétrique : Une procédure de bootstrap est introduite pour les cas où les hypothèses de distribution ne sont pas respectées. Cela implique de faire pivoter les ensembles de données pour aligner leurs sous-espaces principaux sous l'hypothèse nulle, de rééchantillonner avec remplacement, et de calculer la p-valeur empirique.

Résultats Clés
La validité des méthodes proposées a été évaluée par des études de simulation et une application sur des données réelles :

Étude de Simulation :
- Données Gaussiennes : Sous la condition de normalité du rapport de logarithme, le test paramétrique (utilisant la formule de Schott) a généralement obtenu des taux d'erreur de type I les plus proches du niveau nominal de 5 % et a présenté la puissance la plus élevée. Le test bootstrap a obtenu des performances comparables.
- Données à Queues Lourdes (Student's t) : Lorsque les données ont été échantillonnées à partir de distributions de Student multivariées (degrés de liberté faibles), le test de Schott paramétrique est devenu excessivement libéral (taux d'erreur de type I élevé). En revanche, le test bootstrap a mieux contrôlé l'erreur de type I et a démontré une puissance supérieure à la version paramétrique estimée.
- Données Uniformes : Les tests paramétriques se sont révélés trop conservateurs (erreur de type I < 0,05), tandis que le test bootstrap a maintenu des taux d'erreur plus proches du niveau nominal.
- Taille de l'Échantillon : La procédure de bootstrap a montré une performance supérieure pour les petits échantillons par rapport au test paramétrique estimé.
Application sur des Données Réelles (Human Microbiome Project) :
- La méthode a été appliquée à des données de séquençage de l'ARNr 16S agrégées au niveau du phylum à travers différents sites corporels.
- Comparaison 1 (Fosse Antecubitale Droite vs. Narines Antérieures) : L'hypothèse nulle d'un sous-espace commun ( $K=1, 2$ ) n'a pas été rejetée. Dans cette comparaison, $Q_1=0$ (la fosse antecubitale droite n'a pas de zéros structurels) et $Q_2=4$ (les narines antérieures ont 4 phyla de zéros structurels). L'analyse a identifié les Cyanobacteria et les Fusobacteria comme les principaux contributeurs à ce sous-espace partagé, portés par leurs modèles de présence/absence parcimonieux.
- Comparaison 2 (Selles vs. Salive) : L'hypothèse nulle a été rejetée pour toutes les valeurs de $K$ testées, confirmant que ces sites ne partagent pas un sous-espace principal commun dans leur composition au niveau du phylum.

Signification et Contributions
L'article affirme généraliser le cadre de test d'hypothèse pour les sous-espaces principaux communs (spécifiquement en étendant Schott, 1988) au contexte complexe des données compositionnelles avec des zéros structurels. Ses principales contributions sont :

Compatibilité Géométrique : La méthode permet de comparer les sous-espaces principaux entre des groupes ayant des schémas de zéros différents tout en restant pleinement compatible avec la géométrie d'Aitchison et l'analyse par rapport de logarithmes, évitant ainsi les pièges des stratégies de remplacement des zéros.
Inférence Robuste : L'introduction d'une procédure de bootstrap nonparamétrique offre une alternative robuste lorsque l'hypothèse de normalité du rapport de logarithme est violée, un problème courant dans les données réelles de microbiome et d'omique.
Utilité Pratique : L'application aux données de microbiote démontre la capacité de la méthode à identifier des caractéristiques biologiques partagées (sous-espaces communs) à travers différents sites anatomiques malgré des schémas de zéros structurels divergents, offrant ainsi un outil pour la stratification et les études de classification dans les ensembles de données compositionnelles à haut débit.

Les auteurs concluent que bien que le test paramétrique soit efficace sous la normalité, l'approche par bootstrap offre une alternative plus fiable et plus puissante en présence de queues lourdes ou de petits échantillons, ce qui en fait un outil précieux pour l'analyse de données compositionnelles complexes.

Articles similaires