Supervised Bayesian joint graphical model for simultaneous network estimation and subgroup identification

1. Il Problema

L'eterogeneità è una caratteristica fondamentale del cancro, rendendo essenziale l'identificazione di sottogruppi di pazienti con profili molecolari e prognostici distinti. Le ricerche esistenti si dividono in due categorie:

• Analisi non supervisionata: Si basa esclusivamente sulle distribuzioni delle variabili molecolari (es. medie, varianze o strutture di rete). Sebbene utili, questi metodi spesso producono sottogruppi privi di implicazioni cliniche dirette perché ignorano gli esiti clinici.
• Analisi supervisionata: Sfrutta le associazioni tra predittori (molecolari) ed esiti clinici (es. sopravvivenza) per modellare l'eterogeneità. Tuttavia, i metodi supervisionati attuali si concentrano spesso sulle associazioni predittore-esito individuali, trascurando le interconnessioni (reti) tra le variabili molecolari.

Esiste quindi un vuoto significativo nella letteratura: manca un approccio che integri simultaneamente la stima di reti molecolari eterogenee e l'identificazione di sottogruppi in un quadro supervisionato, utilizzando informazioni cliniche per guidare la costruzione della rete biologica.

2. Metodologia: SBJGM

Gli autori propongono un Modello Grafico Bayesiano Supervisionato (SBJGM) per stimare simultaneamente reti multiple e identificare sottogruppi sconosciuti.

A. Struttura del Modello

Il modello combina un modello di miscela gaussiana per i predittori con un modello di regressione supervisionato per l'esito clinico:

• Dati: Si considerano $n$ soggetti con variabili predittive $X$ (es. espressione genica) e un esito di sopravvivenza (tempo di sopravvivenza $Z$ e indicatore di censura $\Delta$).
• Modello Misto: Si assume l'esistenza di $K$ sottogruppi. Per ogni soggetto $i$ nel sottogruppo $k$:
  1. Distribuzione dei predittori: $X_i$ segue una distribuzione normale multivariata $N(\mu_k, \Omega_k^{-1})$, dove $\Omega_k$ è la matrice di precisione specifica del sottogruppo. Gli elementi non nulli di $\Omega_k$ definiscono la struttura della rete (dipendenze condizionali).
  2. Modello di sopravvivenza: Si utilizza un modello AFT (Accelerated Failure Time) log-normale: $Z_i = \beta_{0k} + \beta_k^T X_i + \epsilon_i$. I coefficienti di regressione $\beta_k$ sono specifici per il sottogruppo, catturando l'eterogeneità nell'associazione tra geni e sopravvivenza.

B. Specifiche degli Prior (Bayesiani)

Il framework bayesiano introduce prior innovativi per gestire la sparsità e la similarità:

• Prior Spike-and-Slab Laplace: Utilizzato per gli elementi fuori diagonale di $\Omega_k$ (i pesi degli archi della rete). Questo prior permette di distinguere tra archi attivi (slab) e nulli (spike), facilitando la selezione della struttura della rete.
• Prior di Similarità (Novità chiave): Per catturare le somiglianze tra le reti dei diversi sottogruppi, viene introdotto un vettore latente $\theta$ e una matrice di precisione basata sulla similarità $L$. Questo prior incoraggia che i segni e le magnitudini degli effetti di connessione siano simili tra i sottogruppi, permettendo un "prestito di informazione" efficace senza forzare l'identità perfetta delle reti.
• Prior Sparsi: Prior di Laplace sono applicati anche ai coefficienti di regressione $\beta_k$ e alle medie $\mu_k$ per gestire l'alta dimensionalità.

C. Inferenza e Algoritmo

• Stima: Viene sviluppato un algoritmo EM (Expectation-Maximization) per calcolare la stima MAP (Maximum a Posteriori).
• Strategia in tre fasi:
  1. Calcolo della MAP per i parametri tramite EM (usando coordinate descent e ADMM).
  2. Quantificazione dell'incertezza tramite le Probabilità di Inclusione Posteriore (PIP) marginali per ogni arco.
  3. Determinazione della struttura della rete tramite soglia sulle PIP (es. > 0.5).
• Proprietà Teoriche: Gli autori dimostrano la consistenza degli stimatori, fornendo limiti non asintotici per l'errore di stima e provando che la struttura della rete e l'identificazione dei sottogruppi sono recuperate con probabilità che tende a 1 al crescere del campione.

3. Contributi Chiave

1. Integrazione Supervisionata di Reti: È uno dei primi approcci a stimare congiuntamente reti molecolari multiple e sottogruppi in un contesto supervisionato, utilizzando l'esito clinico per informare la struttura della rete.
2. Prior di Similarità Innovativo: A differenza dei metodi basati su penalità di gruppo (che selezionano gruppi di variabili) o fused lasso (che forzano uguaglianza di valori), il nuovo prior bayesiano cattura la similarità nella direzione e nella struttura di sparsità delle reti, offrendo maggiore flessibilità biologica.
3. Robustezza Teorica: Fornisce garanzie teoriche rigorose in un setting complesso caratterizzato da eterogeneità a doppio livello (distribuzione predittori + associazione predittori-esito), dati censurati e strutture di rete sconosciute.
4. Efficienza Computazionale: L'uso di un approccio MAP tramite EM, invece di MCMC tradizionale, garantisce efficienza computazionale pur mantenendo la quantificazione dell'incertezza bayesiana tramite le PIP.

4. Risultati

Studi di Simulazione

• Scenari: Sono stati testati vari scenari con $K=2,3$ sottogruppi, dimensioni $p=100$, design bilanciati e sbilanciati, e diversi livelli di similarità tra le reti (S1-S3).
• Confronto: Il metodo SBJGM è stato confrontato con approcci non supervisionati (SCAN, BCGS), metodi "ideali" (che conoscono i sottogruppi veri) e metodi a due stadi.
• Performance:
  • Identificazione Sottogruppi: SBJGM ha mostrato errori di clustering (CE) significativamente inferiori rispetto a tutti gli altri metodi, inclusi quelli supervisionati non basati su reti.
  • Identificazione Reti: Anche in presenza di alta similarità tra le reti (scenario difficile), SBJGM ha superato i metodi supervisionati tradizionali e ha mostrato prestazioni superiori o competitive rispetto ai metodi "ideali" che conoscono i sottogruppi veri, grazie all'efficacia del prior di similarità.
  • Robustezza: Il metodo ha mantenuto buone prestazioni anche con tassi di censura elevati (fino al 45%) e distribuzioni di errore non specificate correttamente.

Applicazione Reale (TCGA - Melanoma Cutaneo)

• Dati: Analisi di 360 pazienti con melanoma cutaneo (SKCM) dal TCGA, utilizzando 91 geni filtrati e tempi di sopravvivenza.
• Risultati:
  • Il modello ha identificato 2 sottogruppi (128 e 232 pazienti) con curve di sopravvivenza di Kaplan-Meier significativamente diverse ($p=0.005$), a differenza di altri metodi che non hanno trovato differenze cliniche significative.
  • Sono state ricostruite due reti geniche distinte (181 e 345 archi) con 52 archi comuni.
  • L'analisi di arricchimento GO (Gene Ontology) ha rivelato che gli archi comuni e specifici sono legati a pathway biologici sensati e rilevanti per il melanoma, confermando la validità biologica delle reti stimate.
  • La validazione tramite ricampionamento ha mostrato che SBJGM ha il miglior errore di previsione (NLS) rispetto ai metodi concorrenti.

5. Significato e Implicazioni

Il lavoro di Qin et al. rappresenta un avanzamento significativo nella bioinformatica e nella statistica medica:

• Implicazioni Cliniche: Fornendo sottogruppi definiti non solo dalla genetica ma anche dalla risposta clinica (sopravvivenza), il metodo supporta una medicina di precisione più mirata.
• Comprensione Biologica: La capacità di costruire reti specifiche per sottogruppi che condividono parti comuni (tramite il prior di similarità) aiuta a distinguere i meccanismi biologici universali da quelli specifici della malattia.
• Versatilità: Sebbene applicato al melanoma e ai dati di espressione genica, il framework è generale e può essere esteso ad altri tipi di dati omici (mutazioni, metilazione) e modelli di sopravvivenza più flessibili.

In sintesi, l'SBJGM supera i limiti delle analisi non supervisionate (mancanza di rilevanza clinica) e delle analisi supervisionate tradizionali (ignoranza della struttura di rete), offrendo uno strumento potente per decifrare la complessità eterogenea del cancro.