Single Change-Point Detection via Energy Distance with Application to Genomic Data

1. Énoncé du problème

L'article aborde le problème statistique fondamental de la détection de points de rupture dans des séquences d'observations indépendantes. Plus précisément, il se concentre sur :

• Détection d'un seul point de rupture : Identifier un emplacement inconnu unique $k^*$ dans une séquence $X_1, \dots, X_n$ où la distribution sous-jacente passe de $F_1$ à $F_2$.
• Exigences non paramétriques : La méthode doit être robuste à diverses hypothèses de distribution (par exemple, normale, skew-normale, exponentielle) et capable de détecter des changements non seulement dans la localisation (moyenne), mais aussi dans l'échelle (variance) et la forme.
• Test global : La difficulté de balayer l'ensemble de la séquence pour trouver la preuve maximale d'un changement tout en contrôlant les taux d'erreur de type I, en particulier lorsque la statistique de test est un maximum sur des points de division dépendants.
• Contexte d'application : La méthode est motivée par l'analyse de données génomiques (spécifiquement les données CGH de microarrays d'ADNc), où la détection des variations structurelles (altérations du nombre de copies) est critique, et où les données présentent souvent une non-normalité et des changements de distribution complexes.

2. Méthodologie

L'approche proposée utilise la Distance Énergétique, une métrique entre distributions de probabilité introduite par Székely et Rizzo, intégrée dans un cadre de statistiques U.

A. La statistique de test

Le cœur de la méthode est une statistique de scan énergétique étudiante.

1. Définition de la distance énergétique : Pour deux échantillons $X$ et $Y$, la distance énergétique empirique $E_{n,m}(X,Y)$ est définie en utilisant des distances euclidiennes par paires avec une puissance $\omega=1$ :
   $$E_{n,m}(X, Y) = \frac{2}{nm}\sum |X_i - Y_j| - \frac{1}{n^2}\sum |X_i - X_j| - \frac{1}{m^2}\sum |Y_i - Y_j|$$
2. Formulation par statistique U : La distance énergétique entre deux segments divisés à l'indice $k$ est exprimée comme une statistique U à deux échantillons pondérée :
   $$E_k = 2U_{XY} - U_{XX} - U_{YY}$$
   où $U_{XY}$, $U_{XX}$ et $U_{YY}$ sont des statistiques U basées sur le noyau $h(x,y) = \|x-y\|$.
3. Studentisation : Pour atteindre la normalité asymptotique et la stabilité, la statistique est standardisée par un estimateur de la variance du noyau dégénéré ($s_{\Psi,n}$), dérivé d'une décomposition de noyau doublement centrée.
   $$Z_{n,k} = \frac{k(n-k)}{\sqrt{2}n s_{\Psi,n}} E_k$$
   Cette studentisation garantit que la statistique est asymptotiquement pivot (convergeant vers une normale standard) sous l'hypothèse nulle pour les points de division intérieurs.

B. Détection globale et calibration

• Statistique de scan : La statistique de test globale est définie comme la valeur absolue maximale de la statistique étudiante sur un ensemble intérieur élagué $K_\eta$ (pour éviter les problèmes de bordure) :
  $$T_n = \max_{k \in K_\eta} |Z_{n,k}|$$
• Calibration de la valeur critique : Bien que la distribution asymptotique de $Z_{n,k}$ soit $N(0,1)$, la distribution du maximum $T_n$ est complexe. L'article propose d'utiliser un test de permutation pour calibrer les valeurs critiques. Sous l'hypothèse nulle d'échangeabilité, les données sont permutées $L$ fois (par exemple, $L=999$) pour générer une distribution nulle empirique pour $T_n$.
• Points de rupture multiples : Pour gérer plusieurs points de rupture, la procédure à point de rupture unique est intégrée dans un cadre de Segmentation Binaire. L'algorithme applique récursivement le test aux segments, en divisant au point de rupture détecté jusqu'à ce qu'aucun changement significatif ne subsiste.
• Gestion de la dépendance : Pour les données génomiques présentant une dépendance sérielle locale, l'article recommande une stratégie de permutation par blocs circulaires pour préserver la corrélation à courte portée lors de la calibration, empêchant ainsi les faux positifs dus aux artefacts spatiaux.

3. Contributions clés

1. Théorie asymptotique : L'article dérive les propriétés asymptotiques de la statistique proposée.
   • Hypothèse nulle : Prouve que pour toute division intérieure fixe $k$, $Z_{n,k} \xrightarrow{d} N(0,1)$.
   • Hypothèse alternative : Établit la consistance de l'estimation de l'emplacement du point de rupture ($\hat{k}/n \xrightarrow{p} \tau^*$) et montre que la statistique de test diverge vers l'infini sous l'alternative, assurant la consistance du test global.
2. Studentisation explicite : Contrairement à de nombreuses méthodes existantes basées sur l'énergie qui reposent fortement sur le rééchantillonnage pour la standardisation, ce travail fournit une studentisation analytique explicite qui produit une statistique asymptotiquement pivot, simplifiant l'implémentation et l'analyse théorique.
3. Robustesse : La méthode est conçue pour être libre de distribution, capturant simultanément les changements de localisation, d'échelle et de forme sans nécessiter de sélection de bande passante (contrairement aux méthodes basées sur les noyaux) ni de construction de graphe (contrairement aux méthodes basées sur les graphes).
4. Application génomique : La méthode est appliquée avec succès à des données CGH de cancer du sein, démontrant sa capacité à détecter des variations structurelles subtiles que d'autres méthodes pourraient lisser.

4. Résultats

L'article présente des études de simulation extensives et une application sur des données réelles.

A. Études de simulation

La méthode (ED) a été comparée au Fused Lasso (FL), à E-Divisive (ECP) et à PELT sur des distributions Normale, Skew-Normale et Exponentielle.

• Contrôle de l'erreur de type I : ED a démontré un contrôle stable et précis de l'erreur de type I (proche du niveau nominal de 0,05) sur toutes les distributions et tailles d'échantillon. En revanche, FL a montré des erreurs de type I gonflées (libérales) dans certains scénarios (par exemple, Normale $n=100$), et ECP/PELT étaient parfois trop conservateurs.
• Performance de puissance :
  • Déplacements de moyenne/échelle : ED a systématiquement surpassé ou égalé les concurrents, en particulier dans la détection de déplacements faibles à modérés et dans les régions de bordure (où le point de rupture est proche du début ou de la fin de la séquence).
  • Asymétrie : Sous les distributions Skew-Normale et Exponentielle, ED a maintenu une puissance supérieure, tandis que d'autres méthodes peinaient avec les formes non symétriques.
  • Changements conjoints : Lorsque la moyenne, la variance et la forme changeaient simultanément, ED a montré la croissance de puissance la plus rapide à mesure que la taille de l'échantillon augmentait.
• Précision de localisation : ED a fourni des estimations très précises de l'emplacement du point de rupture, avec des erreurs absolues mises à l'échelle comparables au concurrent le plus performant (ECP) et nettement meilleures que PELT et FL, en particulier pour les signaux faibles.
• Efficacité computationnelle : ED était efficace sur le plan computationnel, avec des temps d'exécution comparables à ECP et plus rapides que PELT et FL pour les tailles d'échantillon testées ($n=200$).

B. Application sur données réelles (CGH cancer du sein)

• Jeu de données : Données CGH de microarrays d'ADNc de la lignée cellulaire de cancer du sein MDA157 (6 691 sondes).
• Constats :
  • La méthode ED a détecté un ensemble plus riche de points de rupture par rapport au Fused Lasso (Tibshirani & Wang, 2008), en particulier sur les chromosomes #3, #6, #8 et #19.
  • Elle a identifié des changements de distribution subtils que FL avait tendance à lisser excessivement.
  • Elle était en accord avec FL sur les régions stables (par exemple, le chromosome #15) et a fourni une segmentation plus parcimonieuse que la Segmentation Binaire Sauvage (WBS), évitant la sur-segmentation causée par le bruit local.
  • L'utilisation de la calibration par permutation par blocs a réussi à atténuer l'inflation des faux positifs due à la dépendance spatiale dans les données génomiques.

5. Importance

Cet article apporte une contribution significative au domaine de la détection de points de rupture en :

• Faisant le pont entre théorie et pratique : Il fournit une fondation théorique rigoureuse (normalité asymptotique et consistance) pour une statistique de scan basée sur la distance énergétique, allant au-delà des approches purement algorithmiques.
• Robustesse améliorée : En tirant parti de la distance énergétique, la méthode offre un cadre unifié qui est robuste à la non-normalité et capable de détecter des changements de distribution complexes (forme/échelle) que les tests basés uniquement sur la localisation manquent.
• Utilité génomique : Elle offre un outil puissant et efficace sur le plan computationnel pour la segmentation génomique, capable d'identifier des variations du nombre de copies biologiquement pertinentes qui sont souvent manquées par les méthodes de lissage ou paramétriques.
• Perspectives futures : Ce travail jette les bases d'extensions vers des données de haute dimension, la surveillance séquentielle et les configurations à multiples changements avec dépendance temporelle.

En résumé, la statistique de scan par Distance Énergétique (ED) proposée est une méthode robuste, théoriquement fondée et pratiquement efficace pour détecter des points de rupture uniques et multiples, en particulier dans des environnements de données complexes et non gaussiens comme la génomique.