Robust and Scalable Sure Screening of Fixed effects in Ultrahigh-dimensional Linear Mixed Models

Résumé Technique : Criblage Sûr, Robuste et Évolutif des Effets Fixes dans les Modèles Linéaires Mixtes à Ultra-haute Dimension

Énoncé du Problème
Les applications modernes des modèles linéaires mixtes (LMM), telles que les études d'association pangénomiques (GWAS) et la recherche biomédicale longitudinale, impliquent de plus en plus de covariables à effets fixes (FE) à ultra-haute dimension où le nombre de prédicteurs $p$ croît exponentiellement avec la taille de l'échantillon $n$ ($\log p = O(n^\tau)$). Bien que les LMM soient essentiels pour gérer les structures de dépendance complexes induites par les effets aléatoires (RE) dans les données groupées ou longitudinales, les méthodes existantes de criblage de variables font face à deux défis critiques dans ce régime :

1. Évolutivité (Scalability) : Les méthodes de pénalisation de vraisemblance directe ou de contraction bayésienne pour les LMM sont informatiquement prohibitives lorsque $p \gg n$. Bien que le criblage d'indépendance sûre (SIS) offre une alternative évolutive en classant les covariables selon leur utilité marginale, les implémentations standards de SIS pour les LMM reposent sur des principes de moindres carrés (LS) ou de maximum de vraisemblance (ML).
2. Robustesse : Les statistiques de criblage basées sur les LS et les ML sont hautement sensibles à la contamination des données (valeurs aberrantes, erreurs d'enregistrement ou spécifications incorrectes du modèle). Dans les données groupées, les valeurs aberrantes peuvent provenir de plusieurs niveaux (au sein des sujets, à des moments spécifiques ou comme des clusters anormaux), entraînant des classements de variables instables et un échec de la propriété de « criblage sûr » (la garantie que toutes les covariables réellement actives sont conservées).

Les méthodes de criblage robustes existantes sont largement limitées aux données indépendantes ou à des sous-classes spécifiques de modèles longitudinaux, manquant d'un cadre théorique général pour les LMM à ultra-haute dimension qui équilibre l'efficacité computationnelle et la robustesse.

Méthodologie : DPD-SISP
Les auteurs proposent le DPD-SISP (DPD-based Sure Independence Screening with Proxy matrix), une procédure conçue pour découpler la gestion de la dépendance des considérations de robustesse. La méthodologie se déroule en trois étapes principales :

1. Transformation de Blanchiment Basée sur une Matrice Proxy :
   Pour traiter l'intraitabilité computationnelle de la gestion de la structure de covariance complète des RE lors du criblage marginal, la méthode utilise une matrice de covariance de travail (proxy) $P$ pour approximer la véritable covariance induite par les RE $\sigma^{-2}\Psi$.

   • Les données sont transformées à l'aide d'un estimateur de covariance plug-in $\hat{\Sigma}_i = Z_i P Z_i^\top + I_{n_i}$.
   • Spécifiquement, la réponse et les matrices de design sont pré-multipliées par $\hat{\Sigma}_i^{-1/2}$.
   • Cette transformation convertit le LMM original en un modèle de régression linéaire (LRM) réalisable avec des erreurs approximativement sphériques, permettant ainsi de découpler la structure de dépendance et de permettre l'application de techniques de criblage marginal.

2. Estimation Marginale Robuste via le Minimum DPD :
   Au lieu d'utiliser des corrélations marginales ou des estimations ML sur les données transformées, la méthode calcule les utilités marginales en utilisant l'Estimateur de Divergence de Puissance de Densité Minimum (MDPDE).

   • Pour chaque covariable $j$, un LRM marginal réalisable est ajusté : $\tilde{y}_i = \beta_{j0} + \tilde{x}_{ij}\beta_{j1} + \tilde{\epsilon}_{ij}$.
   • Le MDPDE minimise une fonction de perte de DPD empirique $L_{n,\alpha}(\theta)$ indexée par un paramètre de réglage $\alpha \ge 0$.
   • Lorsque $\alpha = 0$, cela se réduit à la négative de la log-vraisemblance (non robuste). Pour $\alpha > 0$, la fonction de perte réduit le poids des valeurs aberrantes, offrant une robustesse contre la contamination et la spécification incorrecte du modèle tout en maintenant une efficacité élevée.
   • Les covariables sont classées par la magnitude absolue de la pente marginale estimée $|\hat{\beta}_{j1,\alpha}|$.

3. Extensions :

   • Criblage Conditionnel (DPD-CSISP) : Permet l'inclusion de covariables pré-spécifiées (ex: facteurs de confusion) en évaluant la contribution incrémentielle des candidats conditionnellement à un ensemble $C$.
   • Raffinement Itératif (DPD-ISISP) : Une procédure itérative inspirée par ISIS (Iterative SIS) qui met à jour l'ensemble de conditionnement basé sur les variables précédemment sélectionnées pour atténuer les effets de masquage causés par de fortes corrélations entre les covariables.
   • Estimation de Second Stade : Une étape d'estimation pénalisée DPD robuste est proposée pour le modèle réduit afin d'obtenir une sélection de variables cohérente et une estimation efficace des paramètres.

Contributions Clés

• Garanties Théoriques : L'article établit la propriété de criblage sûr pour le DPD-SISP sous des conditions générales. Il prouve que la procédure conserve toutes les covariables à effets fixes réellement actives avec une probabilité tendant vers un à un à un taux exponentiel, même lorsque $p$ croît de manière non polynomiale. Ces résultats s'appliquent aux LMM généraux avec des RE et des erreurs non gaussiennes, à condition que la matrice proxy satisfasse des conditions de cohérence spectrale.
• Analyse de Robustesse : Les auteurs démontrent que les MDPDE marginaux possèdent des fonctions d'influence bornées et des points de rupture asymptotiques élevés (jusqu'à 50 % de contamination). Cela garantit que le classement des variables reste stable même sous une contamination significative des données, une propriété faisant défaut aux méthodes SIS classiques.
• Évolutivité Computationnelle : En transformant le LMM en un LRM marginal et en utilisant les MDPDE, la méthode atteint une complexité computationnelle comparable aux méthodes de criblage classiques basées sur la vraisemblance, évitant l'estimation conjointe itérative des RE et des FE requise par d'autres méthodes de LMM robustes.
• Flexibilité : Le cadre est indépendant de la distribution concernant le modèle de travail, permettant des extensions aux structures d'erreurs non gaussiennes en spécifiant des densités de travail appropriées.

Résultats

• Études de Simulation : Des simulations approfondies à travers divers scénarios (différentes structures de covariance, sparsité du signal, niveaux de contamination) démontrent que :
  • Sous des données propres, le DPD-SISP est compétitif avec le SIS classique basé sur ML/REML.
  • Sous contamination des données (jusqu'à 20 %), les méthodes classiques souffrent de déclins marqués du Taux de Vrais Positifs (TPR) et de la Probabilité de Criblage Sûr Empirique (EmpSSP), échouant souvent à récupérer l'ensemble actif complet.
  • Le DPD-SISP maintient un TPR et un EmpSSP élevés, montrant une stabilité supérieure.
  • Le choix de la matrice proxy est crucial : la matrice proxy validée par validation croisée (cv-P) surpasse généralement la matrice basée sur REML (I0-P) dans des scénarios de dépendance complexes, bien que l'I0-P offre un calcul plus rapide.
  • Le DPD-SISP est nettement plus rapide que les alternatives robustes basées sur la Divergence $\gamma$-Hiérarchique Minimale (MHGDE).
• Application de Données Réelles (ADNI-2) : La méthode a été appliquée à des données d'expression génique longitudinales à haute dimension issues de l'Alzheimer's Disease Neuroimaging Initiative (ADNI-2) pour prédire les scores du Mini-Mental State Examination (MMSE).
  • Le DPD-SISP a identifié des ensembles de gènes qui, lors d'une validation biologique externe via VarElect et GeneCards, ont montré des associations plus fortes avec la maladie d'Alzheimer et les voies liées à la neurodégénérescence par rapport au criblage de référence ML/REML.
  • Plus précisément, les méthodes basées sur le DPD ont priorisé des gènes avec des scores de pertinence phénotypique plus élevés et des liens plus directs avec la neurodégénérescence (ex: transmission synaptique, contrôle de la qualité des protéines) que l'approche classique.

Signification et Revendications
L'article affirme fournir une approche unifiée, robuste et évolutive pour le criblage de variables dans les LMM à ultra-haute dimension. Sa principale signification réside dans la réconciliation des objectifs souvent conflictuels d'efficacité computationnelle et de robustesse en présence de structures de dépendance complexes.

Les auteurs affirment que le DPD-SISP :

1. Surmonte le goulot d'étranglement computationnel de l'estimation robuste des LMM dans les hautes dimensions.
2. Fournit des garanties théoriques (criblage sûr) sous des conditions générales, incluant les erreurs non gaussiennes et une croissance de dimension arbitraire.
3. Offre une utilité pratique dans des contextes réels où la contamination des données et la spécification incorrecte du modèle sont courantes, comme en témoigne l'application ADNI-2 où il a identifié des ensembles de gènes biologiquement plus pertinents que les méthodes standards.

L'étude conclut que, bien que les performances dépendent de la qualité de la matrice proxy et de la sélection du paramètre de réglage, le cadre représente une avancée significative par rapport aux méthodes existantes, offrant une alternative fondée sur des principes pour l'inférence à haute dimension dans les données groupées et longitudinales. Des travaux futurs sont suggérés pour explorer les extensions aux modèles mixtes non linéaires généralisés et les stratégies adaptatives aux données pour la sélection de paramètres.