Profile Graphical Models

1. Problématique et Contexte

Les modèles de régression multivariée sont souvent représentés par des graphes en chaîne (chain graphs), qui capturent la structure d'indépendance conditionnelle entre plusieurs variables de réponse et des variables explicatives. Cependant, les approches existantes présentent des limites majeures :

• Rigidité structurelle : Les graphes en chaîne standards modélisent l'effet d'une variable explicative sur chaque réponse individuellement, mais ne permettent pas d'explorer comment la structure de dépendance conjointe entre les réponses change en fonction des niveaux d'un facteur externe (profil).
• Modèles multiples et indépendance contextuelle : Les approches alternatives, comme l'utilisation de multiples graphes distincts pour différents sous-groupes ou l'indépendance contextuelle, ne intègrent pas directement le facteur externe dans le modèle global. Elles traitent souvent les variations de dépendance comme des artefacts locaux plutôt que comme une propriété systémique liée au facteur de risque.
• Paradoxe de Simpson et inversion d'effet : Il est crucial de modéliser comment les associations entre variables peuvent s'inverser ou se déplacer selon les conditions (profils), ce que les modèles statiques échouent à capturer efficacement.

L'objectif est donc de développer un cadre unifié capable de représenter, dans un seul graphe, comment un facteur externe influence la structure de dépendance d'un ensemble multivarié de variables.

2. Méthodologie : Les Modèles Graphiques de Profil (Profile Graphical Models)

Les auteurs proposent une nouvelle classe de modèles : les modèles graphiques de profil non dirigés (Profile Undirected Graphical Models - PUGM).

A. Définition du Modèle

• Structure du graphe : Un graphe de profil $G_U = (V, E)$ est défini par un ensemble de sommets $V$ (les variables de réponse) et un ensemble d'arêtes étiquetées par un sous-ensemble $Z$ de l'espace d'états du facteur externe $X$ (les profils).
• Types d'arêtes :
  1. Arête pleine (étiquetée $\emptyset$) : L'arête existe pour tous les profils $x \in X$.
  2. Arête pointillée (étiquetée $Z \subset X$) : L'arête existe uniquement pour les profils $x \notin Z$. Si $x \in Z$, l'arête est absente (indépendance conditionnelle spécifique au profil).
  3. Absence d'arête (étiquetée $X$) : Les sommets sont indépendants pour tous les profils.
• Propriétés de Markov : Les auteurs définissent des propriétés de Markov adaptées (Pairwise, Global, Connected Set) basées sur la notion de chemin $x$-connecté. Une propriété clé est l'équivalence entre la propriété de Markov globale et la propriété de Markov des ensembles connectés (U-CSMP), permettant de déduire toutes les indépendances via une règle unifiée.

B. Compatibilité avec les Graphes en Chaîne LWF

Un apport théorique majeur est l'établissement d'une compatibilité de Markov entre les graphes de profil et une classe spécifique de graphes en chaîne LWF (Lauritzen-Wermuth-Frydenberg) à deux blocs.

• Le graphe de profil induit une classe de graphes en chaîne où le composant de réponse a la même structure squelettique que le graphe de profil.
• La présence ou l'absence de flèches entre le facteur externe $X$ et les variables de réponse est déterminée par la nature des arêtes dans le graphe de profil (les sommets impliqués dans des arêtes pointillées doivent être connectés à $X$ dans le graphe en chaîne).
• Cette connexion permet d'interpréter les graphes de profil comme une généralisation des modèles de régression multivariée avec contraintes d'indépendance.

C. Modélisation Bayésienne et Inférence (Cas Gaussien)

Pour l'estimation des paramètres, les auteurs développent un modèle gaussien avec une approche bayésienne :

• Priors Spike-and-Slab continus : Utilisation de priors pour apprendre des structures de parcimonie partagées à travers les différents niveaux du facteur de risque.
• Indicateurs hiérarchiques :
  • $\gamma_{ij}$ : Indique si une connexion existe dans au moins un graphe.
  • $\theta_i$ : Indique si l'effet du facteur externe sur la variable $i$ est non nul.
  • $r_{ij,x}$ : Indicateurs de parcimonie spécifiques au profil pour les entrées de la matrice de précision.
• Algorithme EM : Un algorithme Expectation-Maximisation (EM) rapide est conçu pour maximiser la log-postérieure, permettant une inférence efficace même avec un grand nombre de variables.

3. Contributions Clés

1. Cadre Unifié : Introduction d'une classe de graphes qui généralise à la fois les graphes en chaîne et les multiples graphes, permettant de modéliser les distributions conditionnelles de réponse pour n'importe quel niveau d'un facteur de risque.
2. Théorie des Propriétés de Markov : Dérivation rigoureuse des propriétés de Markov pour ces graphes, prouvant l'équivalence entre les propriétés globales et les règles d'ensembles connectés.
3. Lien Théorique : Établissement formel de la compatibilité entre les graphes de profil et les graphes en chaîne LWF, comblant le fossé entre ces deux familles de modèles.
4. Méthodologie d'Inférence : Développement d'une procédure bayésienne avec priors Spike-and-Slab et d'un algorithme EM pour l'estimation des réseaux de dépendance partagés et spécifiques aux profils.

4. Résultats

A. Études de Simulation

Les auteurs comparent leur méthode (BPUGM) avec des approches concurrentes : GemBag, Fused Graphical Lasso (FGL) et Group Graphical Lasso (GGL).

• Performance : BPUGM obtient systématiquement les meilleures courbes ROC (AUC) et une meilleure précision globale.
• Scénarios :
  • Lorsque les structures de graphes sont partiellement partagées (Scénarios 2 et 3), BPUGM excelle en "empruntant de la force" entre les groupes grâce à la modélisation explicite du facteur externe.
  • Même lorsque les graphes sont totalement distincts, BPUGM reste stable et compétitif.
  • Dans le cas de graphes identiques, BPUGM maintient une sensibilité légèrement supérieure sans perte de spécificité.

B. Application Réelle : Données de Protéines de la Leucémie Aiguë Myéloïde (LAM)

• Données : Expression protéique de 18 protéines clés (voies d'apoptose et cycle cellulaire) chez 213 patients répartis en 4 sous-types de LAM (M0, M1, M2, M4).
• Résultats :
  • Le modèle de profil identifie un réseau plus parcimonieux que GemBag, en expliquant une partie de la dépendance par l'effet direct du sous-type de maladie.
  • Hétérogénéité : Le modèle capture une hétérogénéité patiente plus grande, révélant des dépendances conditionnelles spécifiques à certains sous-types qui seraient masquées par une analyse globale.
  • Robustesse : Lors de tests de robustesse (rééchantillonnage avec suppression de 10% des données), BPUGM démontre une précision équilibrée supérieure (0.9736 vs 0.9339 pour GemBag), indiquant une meilleure stabilité et moins de faux positifs.

5. Signification et Impact

Cette recherche apporte une avancée significative dans l'analyse de réseaux biologiques et statistiques complexes :

• Interprétabilité : En intégrant le facteur externe directement dans la structure du graphe, le modèle permet de distinguer les associations intrinsèques des variables de celles induites par l'hétérogénéité des sous-groupes.
• Précision Biologique : Dans le contexte de la génomique du cancer, cela permet d'identifier des réseaux de signalisation protéique spécifiques à des sous-types de maladies, offrant des pistes potentielles pour des traitements personnalisés.
• Généralité : Le cadre proposé est applicable à tout domaine où la structure de dépendance entre variables peut varier selon un facteur de contexte (ex: génétique, environnement, conditions expérimentales), dépassant les limitations des modèles statiques ou des analyses de sous-groupes séparés.

En résumé, les Profile Graphical Models offrent un outil puissant et flexible pour découvrir comment les relations entre variables évoluent dynamiquement en fonction de facteurs externes, combinant rigueur théorique et performance pratique supérieure aux méthodes de l'état de l'art.