Uncertainty-Aware Model Selection with a Calibrated Probability-Generating-Function-Based Bayesian Information Criterion

Résumé technique : Sélection de modèles sensible à l'incertitude avec un PGF-BIC calibré

Énoncé du problème
La sélection de modèles d'expression génique stochastiques à partir de données de comptage d'ARN en cellule unique nécessite un équilibre entre la qualité de l'ajustement et la complexité mécaniste. Bien que le critère d'information bayésien basé sur la fonction génératrice de probabilité (PGF-BIC) offre une méthode de comparaison de modèles efficace sur le plan computationnel sans reconstruire les distributions de comptage complètes, sa mise en œuvre conventionnelle repose sur une règle de seuil nul. Cette règle sélectionne le modèle le plus complexe dès lors que son score pénalisé est inférieur à celui du modèle plus simple. Cependant, cette approche ne tient pas compte de l'incertitude d'échantillonnage dans la différence de score ajustée. Dans des échantillons de taille finie, les fluctuations de la fonction génératrice de probabilité (PGF) empirique et des poids de covariance estimés peuvent créer des avantages de score apparents pour les modèles complexes qui sont indiscernables du bruit, conduisant à la sur-sélection de modèles inutilement complexes.

Méthodologie
Les auteurs proposent une règle de PGF-BIC sensible à l'incertitude qui remplace le seuil zéro fixe par un seuil piloté par les données. La méthodologie procède à travers les étapes techniques suivantes :

1. Décomposition du score : La différence de scores pénalisés ($\Delta_n$) entre un modèle complexe ($M_2$) et un modèle plus simple ($M_1$) est décomposée en un terme de pénalité déterministe et un terme stochastique représentant la différence des distances d'ajustement minimisées. La composante stochastique provient de la variabilité conjointe de la PGF empirique et des poids de covariance estimés.
2. Formulation du seuil via l'inégalité de Cantelli : Pour déterminer une marge de sélection qui contrôle la probabilité de sélection incorrecte, les auteurs emploient l'inégalité de Cantelli unilatérale. Cela permet de dériver un seuil exprimé en termes de l'écart-type de la différence de score, garantissant que la probabilité de sélectionner le modèle complexe lorsqu'il n'offre aucun avantage réel au niveau de la population est bornée par un niveau cible $\alpha$.
3. Analyse de la fonction d'influence : Pour estimer l'échelle des fluctuations d'échantillonnage sans recours au rééchantillonnage (ex: bootstrap), les auteurs utilisent des fonctions d'influence. En traitant la différence de score ajustée comme une fonctionnelle de la distribution des données, ils dérivent un développement de Taylor de premier ordre. Cela produit une représentation de la fluctuation d'échantillonnage comme une somme de contributions spécifiques aux cellules ($\psi(X_i)$).
4. Estimation de la variance : La variance de la somme de la fonction d'influence est estimée pour quantifier l'écart-type de la différence de score. Cette estimation tient compte de la variabilité tant de la PGF empirique que des poids de covariance estimés.
5. Règle de sélection : Le modèle complexe n'est sélectionné que si son avantage de score dépasse le seuil calculé ($\Delta_n > c_{n,\alpha}$), où $c_{n,\alpha}$ est dérivé de l'écart-type estimé et du taux d'erreur cible.

Contributions clés

• Règle de décision calibrée : L'article introduit une règle PGF-BIC modifiée qui incorpore l'incertitude d'échantillonnage dans la décision de sélection de modèle, dépassant l'approche binaire « le score le plus bas gagne ».
• Estimation analytique de la variance : Une dérivation novatrice utilisant les fonctions d'influence fournit une description de premier ordre des fluctuations d'échantillonnage dans la différence de score PGF-BIC. Cela permet le calcul d'un seuil piloté par les données sans le coût computationnel du rééchantillonnage ou d'optimisations supplémentaires.
• Préservation de l'efficacité : Le calibrage conserve l'efficacité computationnelle du cadre PGF-BIC original, car il utilise les ajustements de modèles existants et ne nécessite ni la reconstruction des distributions de comptage complètes, ni d'évaluations de vraisemblance répétées.

Résultats
Les auteurs valident la méthode proposée en utilisant un test de référence comparant un modèle de Poisson (plus simple) à un modèle de Bursty (plus complexe), où la distribution de Poisson est une limite de bord de la distribution de Bursty.

• Résultats de simulation : Dans les simulations où les données ont été générées par le modèle de Poisson, la règle PGF-BIC conventionnelle a fréquemment sélectionné le modèle de Bursty plus complexe (taux de sélection incorrecte de ~70 % pour $n=100$ et ~35 % pour $n=1000$).
• Performance du calibrage : La règle sensible à l'incertitude a considérablement réduit le taux de sélection incorrecte du modèle complexe à travers diverses tailles d'échantillon ($n=100, 500, 1000$). Le seuil calibré a réussi à distinguer les avantages réels des modèles des fluctuations causées par le bruit d'échantillonnage.

Signification et revendications
L'article affirme que le calibrage proposé répond à une limitation critique des critères de sélection de modèles standards dans le contexte des données de cellule unique : l'incapacité à distinguer les avantages d'ajustement reproductibles des artefacts induits par le bruit dans des échantillons de taille finie. En quantifiant l'incertitude de la différence de score, la méthode empêche le sur-ajustement des modèles d'expression génique stochastique. Les auteurs soulignent que cette approche intègre la quantification de l'incertitude dans la sélection de modèles tout en maintenant la tractabilité computationnelle requise pour l'analyse de jeux de données de cellule unique à grande échelle, ne nécessitant ni rééchantillonnage ni étapes d'optimisation supplémentaires.