Practical limitations for real-life application of data fission and data thinning in post-clustering differential analysis

Titolo

Limitazioni pratiche dell'applicazione reale della fission e del diradamento (thinning) dei dati nell'analisi differenziale post-clustering

1. Il Problema

L'analisi dei dati di sequenziamento dell'RNA a singola cellula (scRNA-seq) segue tipicamente un flusso di lavoro in due fasi: prima il clustering (per raggruppare le cellule in sottopopolazioni omogenee) e successivamente l'analisi differenziale (per identificare geni marker tra i cluster).
Questo approccio soffre del problema del "double-dipping" (doppio utilizzo dei dati): gli stessi dati vengono usati sia per definire i cluster che per testare le differenze tra di essi. Questo viola le ipotesi di indipendenza statistica, portando a una stima errata dei valori p e a un inflazione del tasso di errore di Tipo I (falsi positivi).

Per risolvere ciò, sono state proposte metodologie come la fission dei dati (Leiner et al., 2023) e il suo generalizzazione, il diradamento dei dati o data thinning (Neufeld et al., 2024). L'idea è dividere ogni osservazione in due parti indipendenti ($X^{(1)}$ e $X^{(2)}$): una per il clustering e l'altra per l'inferenza. Tuttavia, queste metodologie sono state sviluppate assumendo distribuzioni parametriche omogenee (es. Gaussiana o Poisson globale), ignorando la natura intrinsecamente mista (mixture) dei dati biologici clustered.

2. Metodologia

Gli autori analizzano teoricamente e tramite simulazioni l'applicazione di fission e thinning dei dati in contesti di modelli a mistura (mixture models), che sono lo standard per dati con struttura a cluster.

• Fission/Thinning Marginale vs. Condizionale:
  • Marginale: Si applica la decomposizione usando i parametri globali dell'intera distribuzione (es. varianza totale $\Sigma$). Questo ignora i sottogruppi (cluster).
  • Condizionale: Si applica la decomposizione specificamente all'interno di ogni componente della mistura, utilizzando i parametri specifici del cluster (es. varianza $\Sigma_g$).
• Analisi Teorica:
  • Dimostrano che la fission marginale su dati a mistura non garantisce l'indipendenza condizionale tra $X^{(1)}$ e $X^{(2)}$ dato il vero cluster.
  • Derivano una relazione analitica tra il bias nella stima della varianza (o parametro di sovradispersione per il Negative Binomial) e l'inflazione dell'errore di Tipo I.
  • Analizzano l'impatto della correlazione multivariata tra le variabili (geni), che il thinning univariato (Negative Binomial) non gestisce correttamente.
• Simulazioni e Dati Reali:
  • Simulazioni su dati Gaussiani e Negative Binomial per valutare il tasso di errore di Tipo I, la potenza statistica e l'accuratezza del clustering (Adjusted Rand Index).
  • Applicazione su un dataset reale scRNA-seq (Tabula Sapiens, granulociti) dove non ci si aspetta una struttura a cluster reale, per testare il controllo dell'errore di Tipo I.

3. Contributi Chiave

1. Identificazione del Paradosso della Fission Condizionale: Gli autori dimostrano che l'unico approccio teoricamente valido per garantire l'indipendenza e il controllo dell'errore di Tipo I in dati a mistura è la fission condizionale. Tuttavia, questo richiede la conoscenza a priori dei parametri specifici del cluster e dell'appartenenza ai cluster (etichette latenti). Poiché l'obiettivo del post-clustering è proprio scoprire questi cluster, si crea un circolo vizioso: per fare la fission corretta servono i cluster, ma per trovare i cluster si dovrebbe usare la fission.
2. Quantificazione del Bias di Varianza: Viene stabilito un legame diretto tra la stima distorta della varianza (inevitabile quando si usano parametri globali su dati misti) e l'indipendenza residua tra le parti divise. Questo bias induce correlazioni nascoste che distruggono la validità dell'inferenza.
3. Limitazione Multivariata del Thinning Negative Binomial: Viene evidenziato che il data thinning per il Negative Binomial è intrinsecamente univariato. Anche se si risolvesse il problema dei parametri, le correlazioni tra le variabili (geni) non vengono gestite, portando a un'inflazione dell'errore di Tipo I in scenari reali multivariati.
4. Inapplicabilità Pratica: Concludono che, nonostante l'appeal concettuale, né la fission marginale né quella condizionale sono praticabili per l'inferenza post-clustering in scenari reali senza conoscenze pregresse della struttura dei dati.

4. Risultati

• Fission Marginale: In scenari con veri cluster, la fission marginale porta a una perdita di informazione sulla struttura del clustering in una delle due parti e induce dipendenze condizionali. Nei dati simulati, ciò si traduce in un tasso di errore di Tipo I fortemente inflazionato (fino a 1.0 in alcuni casi reali) e una bassa potenza statistica.
• Fission Condizionale: Se applicata con i parametri veri (scenario "oracle"), controlla perfettamente l'errore di Tipo I e mantiene alta la potenza. Tuttavia, quando i parametri devono essere stimati dai dati (scenario reale), la stima è distorta a causa della struttura a mistura, e l'indipendenza viene compromessa.
• Dati Reali (Tabula Sapiens): In un dataset omogeneo (senza veri cluster), l'uso del thinning Negative Binomial con stime marginali ha portato a un tasso di errore di Tipo I del 100% (tutti i geni risultano differenziali). L'analisi ha mostrato che le correlazioni tra i geni, non gestite dal metodo univariato, trasferiscono le assegnazioni di cluster dalla parte di clustering ($X^{(1)}$) alla parte di test ($X^{(2)}$), falsando i risultati.
• Ruolo del parametro $\tau$: È stato mostrato che il parametro di bilanciamento $\tau$ influenza il trade-off tra accuratezza del clustering e potenza del test, ma non risolve il problema fondamentale della dipendenza strutturale nei dati misti.

5. Significato e Implicazioni

Questo studio mette in discussione la fattibilità pratica delle attuali metodologie di data fission e data thinning come soluzione universale per l'inferenza post-clustering, specialmente nel contesto dell'analisi scRNA-seq.

• Avvertenza Metodologica: Gli autori avvertono che applicare questi metodi senza considerare la natura a mistura dei dati porta a conclusioni statistiche errate (falsi positivi massicci).
• Il Dilemma Circolare: La soluzione teoricamente corretta (fission condizionale) è inapplicabile nella pratica perché richiede la conoscenza della verità fondamentale (i cluster) che l'analisi stessa cerca di determinare.
• Futuro della Ricerca: Il paper suggerisce che sono necessarie nuove metodologie che non dipendano dalla conoscenza a priori della struttura dei cluster o che riescano a stimare parametri specifici del componente in modo non distorto senza violare l'indipendenza. L'uso di modelli eteroschedastici o stime non parametriche della varianza locale è proposto come possibile direzione, ma presenta sfide tecniche significative (es. scelta della banda).

In sintesi, il paper conclude che, allo stato attuale, la fission e il thinning dei dati non offrono una soluzione pratica e robusta per l'analisi differenziale post-clustering in dati reali complessi, sottolineando la necessità di approcci alternativi per gestire il problema del "double-dipping".