Pathway-based Bayesian factor models for 'omics data

1. Problématique et Contexte

L'analyse des données de séquençage de l'ARN (RNA-seq) à haut débit pose des défis statistiques majeurs, notamment en raison de la grande dimensionnalité des données (nombre de gènes $p$ bien supérieur au nombre d'échantillons $n$). L'objectif principal est d'extraire des signaux biologiques pertinents en identifiant des motifs d'expression génique coordonnés correspondant à des voies biologiques connues.

Les méthodes de réduction de dimension classiques, telles que l'Analyse en Composantes Principales (PCA) ou les modèles de facteurs standards, ignorent souvent les connaissances biologiques préexistantes ou les intègrent de manière trop restrictive. L'état de l'art actuel, représenté par la méthode PLIER (Pathway-Level Information Extractor), présente plusieurs limites :

• Restrictions de signe : PLIER impose des charges factorielles positives, ce qui exclut les corrélations négatives biologiquement significatives.
• Manque de quantification de l'incertitude : Les méthodes existantes ne fournissent pas de mesures d'incertitude pour les matrices de covariance estimées.
• Sensibilité aux hyperparamètres : PLIER nécessite un réglage manuel coûteux en calcul et peut conduire à une mauvaise récupération de la structure de corrélation empirique.
• Coût computationnel : Les approches bayésiennes alternatives utilisant des échantillonnages MCMC (Markov Chain Monte Carlo) deviennent prohibitives pour des milliers de gènes.

2. Méthodologie : Le modèle BASIL

Les auteurs proposent BASIL (Bayesian Analysis with gene-Sets Informed Latent space), un cadre bayésien scalable pour l'analyse de données transcriptomiques en vrac (bulk RNA-seq).

A. Modèle Statistique

Le modèle repose sur une décomposition factorielle de la matrice d'expression génique $Y$ ($n \times p$) :
$$Y = M\Lambda^\top + E$$
où $M$ contient les facteurs latents et $\Lambda$ la matrice des charges (loadings).

La contribution centrale réside dans la structure hiérarchique imposée à la matrice des charges $\Lambda$ pour intégrer les connaissances a priori sous forme de jeux de gènes (gene sets) :
$$\Lambda = C\Gamma + \Psi$$

• $C$ : Matrice binaire ($p \times q$) codant les annotations de voies biologiques (ex: Gene Ontology).
• $\Gamma$ : Matrice ($q \times k$) reliant les facteurs latents aux voies connues.
• $\Psi$ : Matrice ($p \times k$) non structurée, capturant la variation non expliquée par les voies connues (gènes non annotés ou voies inconnues).

Cette décomposition permet de séparer la variation structurée (liée aux voies connues) de la variation résiduelle, tout en permettant des charges négatives et positives.

B. Inférence Bayésienne et Algorithmes

Pour éviter le coût computationnel des méthodes MCMC tout en conservant les avantages de l'inférence bayésienne, BASIL utilise une approche de pré-entraînement (pre-training) :

1. Estimation initiale : Les facteurs latents $M$ sont estimés initialement via une décomposition en valeurs singulières (SVD) de $Y$ (équivalent à une estimation PCA).
2. Mise à jour conditionnelle : Conditionnellement à cette estimation $\hat{M}$, l'inférence sur les charges $\Lambda$ se réduit à des tâches de régression multilinéaire conjuguées. Cela permet d'obtenir des échantillons de la distribution a posteriori de manière analytique et rapide, sans itérations MCMC.
3. Correction de couverture : Une stratégie simple d'inflation de variance est appliquée pour corriger la sous-couverture potentielle des intervalles de crédibilité due à l'approximation de pré-entraînement.

C. Sélection Automatique des Hyperparamètres

BASIL élimine le besoin de réglage manuel via une procédure Empirical Bayes :

• Le nombre de facteurs $k$ est sélectionné automatiquement en minimisant un critère d'information basé sur la vraisemblance conjointe (JIC).
• Les paramètres de rétrécissement (shrinkage) $\tau_\Gamma$ et $\tau_\Psi$ sont estimés à partir des données pour adapter le modèle à la force du signal biologique par rapport au bruit résiduel. Le modèle peut ainsi "collapser" vers une forme plus simple si l'une des composantes (connue ou inconnue) est inexistante.

3. Contributions Clés

1. Intégration flexible des connaissances biologiques : Contrairement à PLIER, BASIL permet des charges négatives et distingue explicitement les sources de variation structurées (voies connues) et non structurées.
2. Quantification rigoureuse de l'incertitude : Le cadre bayésien fournit des intervalles de crédibilité pour les charges et la covariance, permettant de filtrer les corrélations spurious (fausses positives).
3. Efficacité computationnelle : L'approche de pré-entraînement rend l'algorithme extrêmement rapide (quelques secondes pour des milliers de gènes), surpassant PLIER d'un facteur d'environ 30x dans les simulations, tout en évitant la lourdeur du MCMC.
4. Robustesse et Automatisation : La sélection automatique des hyperparamètres et du nombre de facteurs rend la méthode robuste et facile à utiliser sans expertise technique approfondie.

4. Résultats

A. Études de Simulation

Les auteurs ont comparé BASIL à PLIER et à ROTATE sur des données simulées avec différents niveaux de signal biologique (fort ou faible).

• Précision : BASIL surpasse systématiquement les autres méthodes pour la reconstruction de la matrice de covariance des gènes.
• Sélection de facteurs : BASIL identifie correctement le nombre réel de facteurs, tandis que PLIER tend à les surestimer massivement (introduisant du bruit).
• Quantification de l'incertitude : Les intervalles de crédibilité à 95% de BASIL présentent une couverture fréquentiste proche de la valeur nominale (0.93-0.95), contrairement aux méthodes fréquentistes qui ne fournissent pas d'incertitude.
• Vitesse : BASIL est environ 30 fois plus rapide que PLIER.

B. Application aux Données Réelles

1. Données de validation (Mao et al., 2019) : Sur un jeu de données de sang total (36 échantillons, ~5900 gènes), BASIL a identifié des modules géniques biologiquement interprétables (ex: granules neutrophiliques, érythropoïèse) avec un réseau de gènes beaucoup plus parcimonieux et clair que celui de PLIER, qui était saturé de corrélations faibles et spurious.
2. Cohorte de fièvre globale (Ko et al., 2023) : Appliqué à 291 patients (infections virales, bactériennes et maladies non infectieuses) avec 14 386 gènes.
   • Le modèle a identifié 19 facteurs latents.
   • Découvertes biologiques : Les facteurs dominants révèlent l'importance des voies de signalisation des phosphoinositides et de l'inflammation pilotée par les interférons comme principaux moteurs de la variabilité de l'expression génique.
   • Le modèle a réussi à capturer des oppositions fonctionnelles (ex: transport ionique vs réponse immunitaire innée) grâce à la flexibilité des signes des charges, ce que PLIER aurait masqué.

5. Signification et Conclusion

BASIL représente une avancée significative dans l'analyse des données 'Omics en combinant la puissance de l'apprentissage automatique bayésien avec la connaissance biologique structurée.

• Interprétabilité : En liant directement les facteurs latents aux voies biologiques connues tout en apprenant de nouvelles composantes, BASIL offre une interprétation mécanistique des variations d'expression.
• Fiabilité : La capacité à quantifier l'incertitude est cruciale pour la recherche translationnelle, permettant de distinguer les signaux biologiques réels du bruit dans des contextes à faible échantillonnage ($p \gg n$).
• Accessibilité : Sa rapidité et son automatisation en font un outil pratique pour les biologistes et les cliniciens, facilitant l'identification de modules de réponse à l'hôte pour le diagnostic et le développement de traitements personnalisés.

En résumé, BASIL surmonte les limitations des approches actuelles en offrant un compromis optimal entre précision statistique, interprétabilité biologique et efficacité computationnelle.