Multimodal data integration and cross-modal querying via orchestrated approximate message passing

Sintesi Tecnica: Integrazione di Dati Multimodali e Interrogazione Cross-Modale tramite Passaggio di Messaggi Approssimato Orchestrato

Formulazione del Problema
Il documento affronta la sfida dell'integrazione di dati multimodali in cui molteplici set di caratteristiche complementari sono misurati sullo stesso insieme di campioni, uno scenario prevalente negli studi multi-omici a singola cellula (ad esempio, la misurazione simultanea di trascrittoma, proteine di superficie e accessibilità della cromatina). Gli autori modellano questo scenario come un problema multifattoriale dipendente che coinvolge $m$ dataset ad alta dimensionalità ($X_h \in \mathbb{R}^{N \times p_h}$) e $\tilde{m}$ dataset a bassa dimensionalità ($\tilde{X}_\ell \in \mathbb{R}^{N \times r_\ell}$).

I componenti del segnale in queste matrici sono assunti derivanti da strutture a basso rango guidate da fattori latenti. Nello specifico, i segnali ad alta dimensionalità sono modellati come $X_h = \frac{1}{\sqrt{N}} U_h D_h V_h^\top + W_h$, e i segnali a bassa dimensionalità come $\tilde{X}_\ell = \tilde{U}_\ell L_\ell^\top + \tilde{W}_\ell$. Fondamentalmente, i vettori dei fattori latenti ($U_h$ e $\tilde{U}_\ell$) per lo stesso soggetto attraverso diverse modalità sono assunti come dipendenti, estratti da una distribuzione a priori congiunta $\mu$. L'obiettivo è duplice:

1. Integrazione dei Dati: Recuperare congiuntamente i segnali latenti ($U_h, V_h, \tilde{U}_\ell$) dalla collezione di matrici rumorose.
2. Interrogazione Cross-Modale (Cross-Modal Querying): Dato un nuovo soggetto "query" con osservazioni parziali (un sottoinsieme di modalità e/o un sottoinsieme di caratteristiche all'interno delle modalità), costruire un insieme di predizione statisticamente valido per la sua rappresentazione latente completa.

Si nota che i metodi esistenti (ad esempio, WNN, MOFA+, totalVI) si affidano a euristiche prive di fondamenta matematiche rigorose per la generalizzazione e, criticamente, non forniscono la quantificazione dell'incertezza per le predizioni.

Metodologia: OrchAMP
Gli autori propongono Orchestrated Approximate Message Passing (OrchAMP), un algoritmo completamente guidato dai dati progettato per ottenere un recupero del segnale statisticamente ottimale e per costruire insiemi di predizione.

1. Inizializzazione: L'algoritmo inizia con una decomposizione ai valori singolari (SVD) delle matrici di dati osservati per ottenere stime iniziali dei fattori latenti. Successivamente, stima i parametri di disturbo (forze del segnale e strutture di covarianza) e apprende le distribuzioni a priori empiriche ($\hat{\mu}$ e $\hat{\nu}_h$) attraverso un approccio Empirical Bayes.
2. Raffinamento Iterativo: OrchAMP esegue aggiornamenti sincroni attraverso molteplici "orbite" (una per ogni modalità). In ogni iterazione $t$:
   • Denoising: L'algoritmo applica denoiser riga-per-riga ($u_{t,h}$ e $v_{t,h}$) che sono aspettative condizionali dei fattori latenti date le stime correnti e le distribuzioni a priori apprese. Questi denoiser integrano le informazioni tra tutte le modalità simultaneamente.
   • Evoluzione dello Stato (State Evolution): L'algoritmo traccia la distribuzione asintotica delle stime utilizzando parametri di evoluzione dello stato ($\Sigma, S$) che evolvono ricorsivamente.
   • Correzione di Onsager: Per garantire che le stime si comportino come rumore Gaussiano indipendente nel limite di alta dimensionalità, l'algoritmo sottrae termini che coinvolgono i Jacobiani dei denoiser (correzioni di Onsager) dagli aggiornamenti correnti.
3. Costruzione dell'Insieme di Predizione: Per un soggetto "query" con osservazioni parziali, il metodo calcola prima una stima puntuale dei fattori latenti utilizzando i minimi quadrati e l'atlante appreso. Successivamente, sfrutta la normalità asintotica delle iterazioni di OrchAMP per definire una distribuzione condizionata per i fattori latenti del soggetto query. Un insieme di predizione viene costruito come una palla $\ell_2$ centrata sulla stima puntuale, con un raggio determinato dal quantile $(1-\alpha)$ della distanza euclidea sotto la distribuzione condizionata, garantendo la validità asintotica.

Contributi Chiave

1. Algoritmo OrchAMP: La proposta di un algoritmo completamente guidato dai dati per la stima integrativa di componenti di segnale in modelli fattoriali multimodali dipendenti. Il metodo gestisce ranghi di segnale variabili attraverso le modalità e incorpora informazioni specifiche della modalità senza distruggerle durante l'integrazione.
2. Giustificazione Teorica:
   • Normalità Asintotica: Gli autori stabiliscono la normalità asintotica "grande $N$" di tutte le iterazioni dell'algoritmo sotto condizioni generali per una vasta gamma di distribuzioni a priori.
   • Ottimalità Bayesiana: Sotto una condizione di punto fisso unico sulla evoluzione dello stato, gli stimatori sono mostrati essere asintoticamente ottimali dal punto di vista Bayesiano (minimizzazione dell'errore quadratico medio).
   • Insiemi di Predizione: Il documento fornisce la prima costruzione di insiemi di predizione asintoticamente validi per soggetti query in un contesto multimodale. Tali insiemi rimangono validi anche se la condizione di punto fisso unico non è soddisfatta.
3. Validazione Empirica: Il metodo è validato su dati sintetici e dati reali TEA-seq a singola cellula (trascrittoma, epitopi, accessibilità della cromatina).

Risultati

• Dati Sintetici: Nelle simulazioni, OrchAMP supera la PCA Empirical Bayes (EB-PCA) separata e la SVD standard, in particolare quando i rapporti segnale-rumore (SNR) sono bassi o quando la dipendenza inter-modalità ($\rho$) è elevata. Il guadagno di prestazioni è più pronunciato per le modalità con segnali più deboli, dimostrando il beneficio del prestito di forza tra le modalità.
• Copertura della Predizione: In esperimenti a campioni finiti, gli insiemi di predizione al 95% costruiti hanno raggiunto probabilità di copertura empirica vicine al livello nominale (ad esempio, 0.92–0.98), dimostrando la capacità del metodo di fornire una quantificazione dell'incertezza ben calibrata.
• Dati Reali (TEA-seq): Su un dataset PBMC umano, OrchAMP ha raggiunto prestazioni di clustering (misurate tramite silhouette score, V-measure, ARI e cLISI) comparabili a strumenti allo stato dell'arte come Seurat WNN e MOFA+.
• Interrogazione (Querying): Quando si interroga l'atlante costruito con cellule misurate in una sola modalità, gli insiemi di predizione risultanti si sono dimostrati altamente informativi, occupando tipicamente un sottoinsieme specifico del corretto cluster di tipo cellulare piuttosto che fornire solo un'etichetta grossolana.

Significatività e Rivendicazioni
Il documento sostiene di fornire un quadro statistico rigoroso per l'integrazione di dati multimodali che va oltre gli approcci euristici. La sua importanza primaria risiede in:

• Garanzie Teoriche: Offrire garanzie di prestazione provabili e ottimalità asintotica sotto un modello multifattoriale dipendente stilizzato ma realistico.
• Quantificazione dell'Incertezza: È il primo metodo in grado di generare atlanti che permettono la costruzione di insiemi di predizione asintoticamente validi per nuovi soggetti con osservazioni parziali, affrontando una lacuna critica nelle pratiche attuali di trasferimento delle etichette dove l'incertezza è raramente quantificata.
• Generalità: Sebbene motivato dalla multi-omica a singola cellula, il modello e la teoria proposti sono generali e applicabili a qualsiasi contesto che coinvolga segnali a basso rango dipendenti attraverso molteplici fonti di dati.

Gli autori sottolineano che, mentre il loro metodo eguaglia le capacità di segregazione cellulare degli strumenti esistenti, esso offre unicamente una via teoricamente giustificabile per l'interrogazione cross-modale con incertezza quantificata.