Robust Log-Contrast Regression for High-Dimensional Compositional Microbiome Data with Outliers

कल्पना कीजिए कि आप मानव शरीर के भीतर एक रहस्य सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में, विशेष रूप से हमारी आंतों में रहने वाले बैक्टीरिया के सूक्ष्म, अदृश्य शहरों की तलाश कर रहे हैं। ये बैक्टीरिया अकेले नहीं रहते; वे एक समुदाय बनाते हैं जहाँ कुल जनसंख्या स्थिर होती है। यदि एक प्रकार का बैक्टीरिया बढ़ता है, तो संतुलन बनाए रखने के लिए दूसरे को सिकुड़ना ही होगा। वैज्ञानिक इसे "कंपोजिशनल डेटा" (compositional data) कहते हैं। यह एक पिज्जा की तरह है: यदि आप अधिक पेपरोनी डालते हैं, तो पिज्जा का आकार समान रखने के लिए आपको कुछ चीज़ (cheese) हटानी होगी। आप पेपरोनी के स्लाइस को अलग से नहीं गिन सकते; आपको पूरे पिज्जा के साथ उनके संबंध को समझना होगा।

अब, कल्पना कीजिए कि आप जानना चाहते हैं कि ये बैक्टीरिया समुदाय स्वास्थ्य को, जैसे कि सूजन के स्तर को, कैसे प्रभावित करते हैं। आप बैक्टीरिया और स्वास्थ्य मार्कर को जोड़ने वाली एक सीधी रेखा खींचने की कोशिश करते हैं। लेकिन यहाँ एक पेंच है: वास्तविक दुनिया का डेटा अव्यवस्थित होता है। कभी-कभी, एक नमूना दूषित हो जाता है, कोई मशीन खराब हो जाती है, या किसी मरीज की प्रतिक्रिया अजीब होती है जो पैटर्न में फिट नहीं बैठती। ये "आउटलेयर्स" (outliers) हैं—वे शोर मचाते हुए डेटा बिंदु जो आपकी सीधी रेखा को बिगाड़ देते हैं। यदि आप रेखा खींचने के लिए एक मानक रूलर (पैमाने) का उपयोग करते हैं, तो ये आउटलेयर्स पूरे चित्र को मोड़ सकते हैं, जिससे आप गलत निष्कर्ष पर पहुँच सकते हैं। वैज्ञानिकों के लिए चुनौती एक ऐसा गणितीय उपकरण बनाने की है जो शोर मचाने वाले आउटलेयर्स को अनदेखा कर सके, जबकि बैक्टीरिया के शांत लेकिन महत्वपूर्ण संकेतों को ध्यान से सुनता रहे।

यह ठीक वही समस्या है जिसे ज़ुके हुआ (Xuke Hua), युनहाई जिओ (Yunhai Xiao) और शिन शिन (Xin Xin) ने अपने नए शोध पत्र में हल किया है। वे बैक्टीरिया समुदायों का विश्लेषण करने का एक नया, अधिक मजबूत तरीका प्रस्तावित कर रहे हैं, जिसे वे H-RegAd कहते हैं। इस विधि को एक "स्मार्ट, नॉइज़-कैंसलिंग (शोर कम करने वाला) रूलर" के रूप में समझें।

सांख्यिकी (statistics) की दुनिया में, रेखा खींचने के पुराने तरीके अक्सर "लीस्ट स्क्वायर्स" (least squares) विधि का उपयोग करते थे। कल्पना कीजिए कि आप एक सी-सॉ (seesaw) को संतुलित करने की कोशिश कर रहे हैं जहाँ एक भारी बच्चा (आउटलेयर) एक छोर पर बैठा है। सी-सॉ बेतहाशा झुक जाता है, और संतुलन बिंदु उस स्थान से बहुत दूर चला जाता है जहाँ उसे होना चाहिए। लेखक तर्क देते हैं कि माइक्रोबायोम डेटा के लिए, जो ऐसे "भारी बच्चों" से भरा होता है, पुराना तरीका बहुत संवेदनशील है। इसके बजाय, वे हूबर लॉस (Huber loss) पर आधारित एक उपकरण पेश करते हैं। आप हूबर लॉस को एक "सॉफ्ट" सी-सॉ के रूप में देख सकते हैं। यदि एक बच्चा सामान्य रूप से बैठा है, तो सी-सॉ सामान्य रूप से प्रतिक्रिया करता है। लेकिन यदि एक बच्चा चिल्ला रहा है और कूद रहा है (एक आउटलेयर), तो सी-सॉ में एक शॉक एब्जॉर्बर होता है जो इसे बहुत अधिक झुकने से रोकता है। यह अत्यधिक शोर को अनदेखा करता है लेकिन सामान्य डेटा पर ध्यान देता रहता है।

इसे "पिज्जा" नियम (जहाँ बैक्टीरिया को हमेशा एक पूर्ण योग बनाना होता है) के साथ काम करने के लिए, उन्होंने एक "लासो पेनल्टी" (Lasso penalty) भी जोड़ी है। यदि आप बैक्टीरिया को संदिग्धों की एक लंबी सूची के रूप में देखते हैं, तो लासो पेनल्टी एक ऐसे जासूस की तरह है जो कहता है, "हमें हर किसी की जांच करने की आवश्यकता नहीं है; आइए केवल उन कुछ संदिग्धों पर ध्यान केंद्रित करें जिनके सबसे अधिक संभावना है।" यह मॉडल को उन विशिष्ट बैक्टीरिया को चुनने में मदद करता है जो वास्तव में मायने रखते हैं, बाकी को अनदेखा कर देता है।

लेखकों ने इसे केवल कल्पना नहीं किया; उन्होंने इसे साकार करने के लिए एक गणितीय इंजन बनाया है। उन्होंने sGS-ADMM नामक एक विशेष एल्गोरिदम बनाया है। यदि गणित की समस्या धागे की एक विशाल, उलझी हुई गांठ है, तो यह एल्गोरिदम उसे एक-एक करके सुलझाने का एक चतुर तरीका है, यह सुनिश्चित करते हुए कि प्रत्येक चरण समाधान की ओर बढ़े बिना कहीं अटक जाए। उन्होंने गणितीय रूप से सिद्ध किया कि यह गांठ-सुलझाने का तरीका काम करता है और अंततः सही उत्तर खोज लेगा।

यह देखने के लिए कि क्या उनका नया रूलर वास्तव में काम करता है, उन्होंने दो प्रकार के परीक्षण किए। पहले, उन्होंने कंप्यूटर पर नकली डेटा बनाया। उन्होंने एक आदर्श बैक्टीरिया समुदाय बनाया और फिर जानबूझकर उसमें "शोर" (noise)—सामान्य त्रुटियों से 6 गुना बड़े नकली आउटलेयर्स—डाल दिया। उन्होंने यह देखने के लिए नज़र रखी कि क्या उनकी नई विधि, H-RegAd, पुराने तरीकों के भ्रमित होने के बजाय सही पैटर्न को खोज पाती है। परिणाम स्पष्ट थे: H-RegAd ट्रैक पर बना रहा। इसने सही बैक्टीरिया को खोजा और पिछले सर्वोत्तम तरीकों (जिन्हें वे RobRegCC कहते हैं) की तुलना में शोर को बहुत बेहतर तरीके से अनदेखा किया। यहाँ तक कि जब उन्होंने कठिन "लीवरेज पॉइंट्स" (आउटलेयर्स जो बैक्टीरिया की गिनती को भी बिगाड़ देते हैं) डाले, तब भी H-RegAd अडिग रहा।

फिर, उन्होंने अपने तरीके को वास्तविक दुनिया में ले जाने के लिए 151 एचआईवी (HIV) रोगियों के डेटा का विश्लेषण किया, यह देखते हुए कि आंत के बैक्टीरिया एक विशिष्ट प्रतिरक्षा मार्कर (sCD14) से कैसे संबंधित हैं। जब उन्होंने अपने परिणामों की पुराने तरीकों से तुलना की, तो H-Regad ने प्रतिरक्षा मार्कर के स्तर की भविष्यवाणी करने में सबसे अच्छा काम किया। इसने बैक्टीरिया का एक बड़ा समूह (16 जेनेरा) खोज निकाला जो महत्वपूर्ण लग रहे थे, जिनमें कुछ ऐसे भी शामिल थे जिन्हें अन्य तरीकों ने पूरी तरह से छोड़ दिया था, जैसे Bacteroides और Prevotella। इसने 30 नमूनों को "आउटलेयर्स" के रूप में भी चिह्नित किया जिन्हें अतिरिक्त ध्यान देने की आवश्यकता थी, जबकि पुराने तरीकों ने शायद ही किसी को नोटिस किया हो।

लेखक सावधानी बरतते हुए कहते हैं कि हालांकि उनकी विधि इन सिमुलेशन और इस विशिष्ट डेटासेट में बहुत आशाजनक दिखती है, लेकिन यह बेहतर विश्लेषण के लिए एक उपकरण है, न कि कोई जादुई इलाज। वे सुझाव देते हैं कि इस मजबूत, "नॉइज़-कैंसलिंग" दृष्टिकोण का उपयोग करके, वैज्ञानिक इस बात की अधिक स्पष्ट और विश्वसनीय तस्वीर प्राप्त कर सकते हैं कि हमारे आंत के बैक्टीरिया हमारे स्वास्थ्य को कैसे प्रभावित करते हैं, भले ही डेटा अव्यवस्थित और आश्चर्यों से भरा हो। उनका कार्य माइक्रोबायोम की फुसफुसाहट को सुनने का एक अधिक सुदृढ़ तरीका प्रदान करता है, भले ही कमरा शोर से भरा हो।