IRIS: time-structured manifold projections

Résumé Technique : IRIS – Projections de Variétés à Structure Temporelle

Énoncé du Problème
Les données biomédicales de haute dimension, telles que le séquençage d'ARN de cellule unique (scRNA-seq), la métagénomique comparative et les plongements (embeddings) de littérature scientifique, sont de plus en plus générées avec des dimensions temporelles (par exemple, stades de développement, âges des sujets, dates de publication). Bien que les algorithmes d'apprentissage de variétés (Manifold Learning) comme t-SNE et UMAP soient indispensables pour visualiser les structures de haute dimension en regroupant les éléments similaires, ils sont intrinsèquement non supervisés et n'intègrent pas l'ordonnancement temporel dans leurs structures de disposition. Par conséquent, la dynamique des types cellulaires ou d'autres classes au fil du temps est souvent obscurcie.

Les solutions de contournement actuelles sont insuffisantes :

1. Vues côte à côte : Colorer les dispositions par classe et par temps dans des graphiques séparés nécessite un balayage fastidieux, ce qui rend difficile l'estimation des plages temporelles pour des classes spécifiques ou l'identification des extrêmes temporels.
2. UMAP aligné : Cette méthode produit plusieurs dispositions en pénalisant le mouvement entre elles. Cependant, elle nécessite un petit nombre de tranches temporelles discrètes et suppose que les mêmes éléments apparaissent dans plusieurs tranches, ce qui est rarement le cas pour le scRNA-seq ou d'autres ensembles de données temporelles. De plus, elle exacerbe le problème des vues multiples, nécessitant souvent des animations ou des graphiques 3D encombrants pour montrer les trajectoires.

Méthodologie
Les auteurs proposent IRIS (Incorporating Radial time-structured Inverse Structure), un nouvel algorithme d'apprentissage de variétés qui structure les dispositions en basse dimension à la fois chronologiquement et par topologie de variété. IRIS fonctionne en créant des dispositions circulaires où le temps rayonne vers l'extérieur en anneaux concentriques, laissant la dimension angulaire encoder les relations de haute dimension.

L'algorithme procède en deux phases principales :

1. Phase 1 : Optimisation de l'exposant radial (Cartographie Temporelle)

   • Objectif : Mapper les horodatages (timestamps) à des rayons annulaires de telle sorte que la densité de points soit radialement uniforme, répondant ainsi au « problème de l'encombrement » (crowding problem) et garantissant que le temps est estimable à partir de la position.
   • Mécanisme : Le temps $t$ est mappé vers un rayon $r$ via une fonction de puissance : $r_i = \zeta + (1 - \zeta)t_i^\rho$, où $\zeta$ est un hyperparamètre contrôlant le rapport du rayon intérieur, et $\rho$ est un exposant global à optimiser.
   • Optimisation : L'algorithme définit une fonction de densité de probabilité (PDF) idéale $P(X)$ qui représente une distribution de densité uniforme à travers l'annulus. Il utilise ensuite la divergence de Kullback-Leibler (KL) pour trouver l' $\rho^*$ optimal qui minimise la divergence entre la PDF idéale et la distribution réelle des rayons $Q$ dérivée des données. Cette phase prend en compte l'asymétrie temporelle.
   • Rééchantillonnage : Pour éviter les artefacts de bandes causés par des étiquettes temporelles éparses ou grossières, IRIS propose un rééchantillonnage temporel probabiliste optionnel (homogène ou hétérogène) pour créer une distribution temporelle plus continue.

2. Phase 2 : Optimisation des Angles (Structure de la Variété)

   • Objectif : Optimiser l'angle $\theta_i$ de chaque point pour préserver les relations de haute dimension tout en contraignant les points aux rayons déterminés lors de la Phase 1.
   • Mécanisme : L'algorithme reparamètre la fonction de coût euclidienne de cartésien à polaire. Il utilise un cadre probabiliste similaire à LargeVis (un précurseur de UMAP), définissant les probabilités d'arêtes basées sur les plus proches voisins approximatifs (ANN).
   • Fonction de Coût : La fonction d'objectif $C$ équilibre la distance euclidienne et la distance angulaire. Pour les paires positives (voisins dans l'espace de haute dimension), le coût minimise la distance en rayon et en angle. Pour les paires négatives, il maximise la séparation. Le coût inclut un hyperparamètre $\beta$ pour équilibrer la contribution de la distance euclidienne par rapport à la distance angulaire.
   • Optimisation : La descente de gradient stochastique est utilisée pour mettre à jour les angles $\Theta$ afin de minimiser la divergence des distributions de distance entre les espaces de haute et de basse dimension.

Contributions Clés

• Innovation Algorithmique : IRIS introduit un biais inductif novateur qui crée des dispositions circulaires où le temps rayonne vers l'extérieur, permettant aux relations temporelles d'être visibles directement de la géométrie de la disposition plutôt que de dépendre des canaux de couleur.
• Reparamétrage : L'article détaille un reparamétrage mathématique des fonctions de coût euclidiennes en coordonnées polaires, permettant l'optimisation simultanée de la cartographie temporelle globale (rayon) et de la structure de la variété locale (angle).
• Rééchantillonnage Temporel : Une stratégie proposée pour gérer les étiquettes temporelles éparses ou grossières afin d'éviter les artefacts visuels.
• Implémentation : IRIS est implémenté en Python et C++, s'appuyant sur le framework LargeVis, et est disponible en tant que package open-source.

Résultats
Les auteurs ont évalué IRIS sur cinq jeux de données couvrant trois domaines biomédicaux :

1. scRNA-seq (Embryon) : Développement prénatal de la souris (28 604 cellules).
2. scRNA-seq (Neuro) : Atlas de maladies neurodégénératives (30 556 échantillons).
3. Métagénomes (Intestin) : Données du microbiote intestinal à travers 29 études (4 479 échantillons).
4. Littérature (ADRD) : Corpus sur la maladie d'Alzheimer et les démences apparentées (17 518 articles).
5. Littérature (PD-1) : Corpus sur la voie de l'immunité de contrôle (checkpoint pathway) (27 887 articles).

Métriques d'Évaluation :

• Structuration de Classe (KNN) : Mesurée par la précision d'un classifieur K-Nearest Neighbors prédisant les étiquettes de classe à partir des coordonnées de la disposition.
• Structuration Temporelle (SVR) : Mesurée par le coefficient de détermination $R^2$ d'un modèle de régression par vecteurs de support prédisant les horodatages à partir des coordonnées de la disposition.
• TMPS : Un score de projection de variété structurée par le temps (Time-structured Manifold Projection Score) défini comme la moyenne harmonique de KNN et SVR.

Résultats :

• Clarté Visuelle : Les dispositions IRIS élucident instantanément des phénomènes dynamiques (par exemple, la ramification des types cellulaires, les origines distinctes des précurseurs neuronaux) qui ne sont pas immédiatement apparents dans les graphiques UMAP appariés.
• Performance Quantitative : Les métriques quantitatives confirment qu'IRIS structure efficacement les dispositions par le temps (là où UMAP est peu performant) tout en conservant une structuration de classe comparable à celle de UMAP.
• Scalabilité : Le temps d'exécution d'IRIS suit une croissance linéaire avec le nombre d'échantillons.

Signification et Revendications
L'article affirme qu'IRIS apporte une solution aux limitations des algorithmes d'apprentissage de variétés existants pour la gestion des données temporelles. En structurant simultanément les dispositions par le temps et par la topologie, IRIS rend les relations temporelles clairement visibles à partir de la disposition elle-même, libérant ainsi le canal de couleur pour l'encodage des informations de classe. Les auteurs présentent IRIS comme un outil capable de visualiser une large gamme de données biomédicales dynamiques, offrant une alternative plus intuitive et riche en informations que les comparaisons côte à côte ou les animations multi-vues. Ce travail est présenté comme une contribution open-source au domaine de la visualisation de données et de l'apprentissage automatique en biomédecine.