Résumé technique : Un modèle contaminé pour les données de comptage multinomiales de microbiote surdispersées

1. Énoncé du problème

Les données de comptage multinomial, particulièrement dans le contexte du séquençage du microbiote intestinal humain, présentent fréquemment une surdispersion où la variabilité observée excède celle prédite par la distribution multinomiale standard ; la distribution de Dirichlet-multinomiale (DM) est la solution canonique pour cette surdispersion ; cependant, elle reste sensible aux observations anormales (contamination).

Dans les ensembles de données réels, de telles anomalies peuvent provenir du bruit expérimental ou d'outliers biologiques. En présence de ces observations, celles-ci gonflent de manière disproportionnée l'estimation du paramètre de dispersion du modèle DM. Cette distorsion entraîne des estimations de paramètres biaisées et des inférences biologiques potentiellement trompeuses. Bien que les « anomalies grossières » (observations imprévisibles) soient généralement supprimées, les « anomalies légères » (observations provenant d'une population différant du modèle supposé) nécessitent une approche de modélisation capable de les accommoder sans rejeter les données. Les modèles DM existants manquent de la flexibilité nécessaire pour distinguer la véritable surdispersion de la variance induite par la contamination.

2. Méthodologie

2.1. La distribution de Dirichlet-multinomial contaminée (CDM)

Les auteurs proposent la distribution Dirichlet-multinomial contaminée (CDM), un modèle de mélange à deux composantes conçu pour gérer les anomalies légères. La fonction de masse de probabilité (PMF) est définie comme suit :

$$f_{CDM_m}(y; \pi, \sigma, \delta, \eta) = (1 - \delta) f_{DM_m}(y; \pi, \sigma) + \delta f_{DM_m}(y; \pi, \eta\sigma)$$

Où :

• Composante de référence : $(1 - \delta) f_{DM_m}(y; \pi, \sigma)$ représente les données typiques, suivant une distribution DM standard avec des proportions moyennes $\pi$ et une dispersion $\sigma$.
• Composante de contamination : $\delta f_{DM_m}(y; \pi, \eta\sigma)$ représente les données anormales. Elle partage le même vecteur de moyennes $\pi$ mais possède un paramètre de dispersion gonflé $\eta\sigma$, où $\eta > 1$.
• Paramètres :
  • $\pi$ : Vecteur des proportions moyennes (interprétables comme les fréquences alléliques de la population ou les abondances relatives).
  • $\sigma$ : Paramètre de dispersion pour la composante de référence.
  • $\delta \in (0, 1)$ : La proportion d'observations appartenant à la composante de contamination.
  • $\eta > 1$ : Le facteur d'inflation représentant le degré d'augmentation de la variabilité dans la composante de contamination.

2.2. Identifiabilité

L'article traite de l'identifiabilité du modèle CDM. Bien que les mélanges généraux de distributions de type Dirichlet ne soient pas identifiables sur des espaces de paramètres non restreints, la structure spécifique du modèle CDM (partageant un vecteur de moyenne $\pi$ commun entre les composantes) garantit l'identifiabilité pour $D \geq 3$ (où $D$ est le nombre de catégories). La contrainte $\eta > 1$ empêche également l'inversion d'étiquettes (label switching) en imposant un ordre intrinsèque où la composante de contamination est strictement plus dispersée que la composante de référence.

2.3. Estimation et inférence

• Estimation du maximum de vraisemblance (MLE) : Les paramètres sont estimés en maximisant numériquement la fonction de log-vraisemblance. Les auteurs recommandent une initialisation en deux étapes : d'abord ajuster un modèle DM standard pour obtenir les valeurs de départ pour $\pi$ et $\sigma$, puis utiliser celles-ci pour initialiser l'estimation CDM avec $\delta \to 0^+$ et $\eta \to 1^+$.
• Sélection de modèle : Le critère d'information d'Akaike (AIC) et le critère d'information bayésien (BIC) sont utilisés pour comparer le modèle CDM au modèles DM et multinomial standards.
• Détection d'anomalies : Les probabilités a posteriori sont calculées pour classifier les observations. Une observation $y$ est classée comme anormale si la probabilité qu'elle provienne de la composante de contamination est supérieure à 0,5 (bien que ce seuil puisse être ajusté).

3. Contributions clés

1. Nouvelle distribution : Introduction de la distribution CDM, qui modélise explicitement les anomalies légères comme une composante à haute dispersion partageant la même moyenne que les données de référence.
2. Robustesse : Démonstration que le modèle CDM réduit le poids de l'influence des observations anormales sur les estimations de paramètres, empênant l'inflation du paramètre de dispersion qui affecte les modèles DM standards.
3. Interprétabilité : Le modèle fournit des interprétations directes pour la contamination : $\delta$ quantifie la proportion d'anomalies, et $\eta$ quantifie leur sévérité (inflation de la variabilité).
4. Détection automatique : Le cadre produit une règle naturelle pour la détection d'outliers via les probabilités postérieures sans nécessiter la pré-spécification d'observations suspectes.

4. Résultats

4.1. Études de simulation

Deux analyses de sensibilité ont été menées pour évaluer le modèle CDM :

• Anomalies ponctuelles : Dans des scénarios où un point anomal unique était introduit à des distances variables du groupe principal, le modèle CDM a maintenu des estimations de paramètres stables. En revanche, l'erreur d'estimation du modèle DM standard augmentait significativement à mesure que l'anomalie s'éloignait du groupe principal. Le modèle CDM a atteint des taux de vrais positifs (TPR) élevés pour les anomalies distinctes tout en maintenant des taux de faux positifs (FPR) faibles.
• Bruit de fond : Dans des scénarios impliquant 10 % de bruit de fond (distribué uniformément et rescalé), le modèle CDM a efficacement distingué les observations typiques des observations bruitées. Bien que le TPR n'ait pas atteint 1,0 (en raison de certains bruits ressemblant aux données typiques), le FPR est resté systématiquement bas (< 0,01). Le modèle DM standard a montré un biais important dans l'estimation des proportions moyennes, particulièrement lorsque le bruit déplaçait les données loin du centre du domaine.

4.2. Application au monde réel

Le modèle a été appliqué aux données de séquençage de l'ARNr 16S de Nakatsu et al. (2015), se concentrant sur six phyla bactériens dans deux sous-ensembles : Sain (Healthy) et Carcinome (Carcinoma) (tissu adjacent aux tumeurs).

• Ajustement du modèle : Dans les deux sous-ensembles, le modèle CDM a surpassé les modèles DM et multinomial standards selon tous les critères d'information (AIC et BIC).
• Estimations de paramètres :
  • Sous-ensemble Sain : Le modèle CDM a identifié environ 21,3 % des observations comme anormales ($\hat{\delta} = 0,213$) avec un facteur d'inflation élevé ($\hat{\eta} \approx 4,0$). Crucialement, la dispersion estimée pour la composante de référence ($\hat{\sigma} = 0,091$) était nettement inférieure à celle du modèle DM standard ($\hat{\sigma} = 0,174$), indiquant que le modèle standard surestimait la dispersion à cause de la contamination.
  • Sous-ensemble Carcinome : Des résultats similaires ont été observés, avec 17,8 % des observations classées comme anormales. La dispersion de référence a été réduite de 0,125 (DM) à 0,068 (CDM).
• Identification des anomalies : Le modèle a identifié 11 observations anormales dans le sous-ensemble sain et 7 dans le sous-ensemble carcinome. L'inspection visuelle des graphiques de dispersion (scatter plots) par paires a confirmé que ces anomalies identifiées se situaient à la périphérie du nuage de données, suggérant qu'elles représentent des compositions biologiques atypiques plutôt que du bruit aléatoire.

5. Signification et affirmations

L'article affirme que la distribution CDM offre un outil robuste et interprétable pour analyser les données de comptage multinomial surdispersées, spécifiquement dans la recherche sur le microbiote. Sa principale importance réside dans sa capacité à :

1. Découpler la véritable surdispersion biologique de l'inflation artificielle causée par les observations anormales.
2. Prévenir les inférences biologiques trompeuses qui surviennent lorsque les modèles DM standards attribuent la contamination à un processus biologique sous-jacent.
3. Fournir un cadre principalisé pour la détection d'anomalies qui ne nécessite pas la suppression de données, préservant ainsi la taille de l'échantillon et la puissance statistique.

Les auteurs concluent que bien que le modèle soit motivé par les données du microbiote, son applicabilité s'étend à tout contexte impliquant des données de comptage multinomial où la contamination et l'excès de variabilité sont des caractéristiques communes. Le travail ne prétend pas résoudre le problème des « anomalies grossières » (qui nécessitent une suppression) mais cible spécifiquement les « anomalies légères » grâce à une approche de modélisation de mélange flexible.