Conformal inference for cell type annotation with graph-structured constraints

Sintesi Tecnica: Inferenza Conforme per l'Annotazione dei Tipi Cellulari con Vincoli a Struttura di Grafo

Definizione del Problema
La trascrittomica a singola cella affronta sfide significative nella predizione dei tipi cellulari, in particolare per quanto riguarda la quantificazione dell'incertezza. Gli approcci tradizionali basati su un riferimento si affidano spesso a predizioni puntuali (assegnando un singolo' etichetta con la probabilità più alta), il che non riesce a catturare l'incertezza intrinseca del modello, specialmente quando più tipi cellulari presentano probabilità comparabili. Sebbene la predizione conforme offra un quadro per generare insiemi di predizione con garanzie su campioni finiti, la sua applicazione nella genomica a singola cella rimane poco esplorata. Inoltre, i metodi conformi standard tendono a produrre insiemi di predizione contenenti etichette semanticamente distanti o non correlate all'interno della gerarchia biologica (ad esempio, predire sia un T-cell specifico che una cella stromale), complicando l'interpretazione. Inoltre, le applicazioni nel mondo reale soffrono frequentemente di shift distribuzionali, nello specifico di shift delle etichette (label shift), dove la composizione dei tipi cellulari differisce tra il riferimento (addestramento/calibrazione) e i dataset di test, violando l'assunto di scambiabilità richiesto per l'inferenza conforme standard.

Metodologia
Gli autori propongono un nuovo framework che integra il controllo del rischio conforme con i vincoli strutturati a grafo della Cell Ontology.

1. Controllo del Rischio Conforme con Struttura a Grafo:

   • Integrazione dell'Ontologia: Il metodo utilizza la Cell Ontology come un Grafo Aciclico Diretto (DAG), dove i nodi foglia rappresentano tipi cellulari specifici e i nodi interni rappresentano categorie più ampie.
   • Costruzione del Punteggio: Per una classe predetta $\hat{y}(x)$, l'algoritmo calcola i punteggi $g(v, x)$ per i nodi antenati $v$, definiti come la somma delle probabilità predette di tutti i discendenti foglia di $v$.
   • Costruzione dell'Insieme di Predizione: Invece di restituire nodi foglia sparsi, l'algoritmo identifica l'antenato più specifico $v$ della classe predetta il cui punteggio cumulativo supera una soglia $\lambda$. L'insieme di predizione $C_\lambda(x)$ consiste in tutti i discendenti foglia di questo antenato, più i discendenti foglia di qualsiasi altro antenato con punteggi strettamente inferiori a $\lambda$ (per garantire la proprietà di annidamento richiesta per il controllo del rischio).
   • Funzione di Perdita: Il metodo impiega una funzione di perdita di mancata copertura (miscoverage loss), assicurando che la probabilità che l'etichetta reale cada al di fuori dell'insieme di predizione sia limitata da un tasso di errore $\alpha$ specificato dall'utente.

2. Affrontare lo Shift Distribuzionale (Label Shift):

   • Riconoscendo che le composizioni dei tipi cellulari variano spesso tra i dataset di riferimento e di test, gli autori propongono un approccio in due fasi. In primo luogo, assumono che gli shift dei covariati tecnici e biologici siano mitigati tramite metodi di integrazione esistenti (es. Harmony, LIGER).
   • In secondo luogo, per affrontare lo shift delle etichette (differenze nelle frequenze dei tipi cellulari), introducono una strategia di ricampionamento. Il dataset di test viene diviso in due sottoinsiemi ($S_1, S_2$). Un modello viene addestrato sui dati di riferimento e le probabilità vengono stimate su $S_1$. Il set di calibrazione viene quindi ricampionato in base a queste probabilità stimate per corrispondere alla distribuzione di test. Questo set viene utilizzato per calibrare gli insiemi di predizione per $S_2$. Il processo viene ripetuto scambiando i ruoli. Questa strategia approssima l'aspettativa pesata per importanza necessaria per una copertura valida sotto label shift, senza richiedere una conoscenza preventiva della distribuzione di test.

Contributi Chiave

• Insiemi di Predizione Vincolati dal Grafo: Il documento introduce un algoritmo conforme che sfrutta la struttura gerarchica delle ontologie cellulari per generare insiemi di predizione semanticamente coerenti. Invece di etichette disgiunte, il metodo restituisce insiemi corrispondenti a specifici antenati nell'ontologia, fornendo un'unica etichetta interpretabile (o i suoi discendenti) che riassume l'incertezza.
• Correzione dello Shift delle Etichette: Gli autori forniscono una tecnica di ricampionamento pratica per correggere lo shift delle etichette nella annotazione a singola cella, ripristinando le garanzie di copertura valida quando i dataset di riferimento e di test hanno composizioni di tipi cellulari differenti.
• Implementazione: Il metodo è implementato nel pacchetto R open-source scConform (disponibile tramite Bioconductor), rendendo l'approccio accessibile alla comunità genomica.

Risultati
Gli autori hanno valutato il loro metodo utilizzando due dataset:

1. Dataset Merfish Mouse Ileum:
   • Rispetto all'inferenza conforme split standard, il metodo strutturato a grafo ha prodotto insiemi di predizione con distanze intra-set inferiori (distanza media 1.148 vs 1.616), indicando una maggiore coerenza semantica.
   • Sebbene gli insiemi basati sul grafo fossero leggermente più grandi in media, hanno spesso prodotto predizioni a etichetta singola quando la confidenza era alta.
   • Fondamentalmente, per le cellule appartenenti a categorie non presenti nel riferimento (es. "Myenteric Plexus"), il metodo basato sul grafo ha correttamente prodotto insiemi "inconcludenti" (contenenti tutti i 15 label), mentre l'inferenza conforme standard ha erroneamente assegnato label specifici del riferimento, fallendo nel segnalare la natura out-of-distribution dei dati.
2. Dataset COVID-19 Patient:
   • In un contesto clinico realistico con distribuzioni sbilanciate dei tipi cellulari, la strategia di ricampionamento proposta ha corretto con successo i problemi di sotto-copertura.
   • Senza ricampionamento, la copertura empirica superava il livello nominale (over-coverage). Con la correzione tramite ricampionamento (sia oracle che stimata), la copertura è confluita più vicino al target di 0.9.
   • Il metodo ha consolidato con successo le predizioni granulari in antenati biologicamente significativi (es. raggruppando i sottotipi di plasmacellule sotto "antibody secreting cell"), dimostrando una migliore interpretabilità.

Significatività e Rivendicazioni
Il documento afferma che l'integrazione di vincoli strutturati a grafo nell'inferenza conforme migliora significativamente l'interpretabilità delle predizioni dei tipi cellulari nei dati a singola cella. Allineando gli insiemi di predizione con la gerarchia biologica, il metodo evita l'ambiguità delle etichette disgiunte e fornisce un riepilogo più intuitivo dell'incertezza del modello.

Gli autori sottolineano che il loro approccio fornisce garanzie di validità su campioni finiti indipendentemente dall'accuratezza del classificatore sottostante. A differenza dei metodi di classificazione gerarchica che propagano gli errori verso il basso nell'albero senza garanzie di copertura, questo metodo assicura che l'insieme riportato contenga il vero tipo cellulare con una probabilità prestabilita ($1-\alpha$). Inoltre, la strategia di ricampionamento proposta offre una soluzione rigorosa al comune problema dello shift delle etichette nella genomica, consentendo una quantificazione dell'incertezza affidabile anche quando i dataset di riferimento e di test differiscono nella composizione. Il lavoro posiziona l'inferenza conforme come uno strumento robusto per l'analisi a valle, permettendo ai ricercatori di incorporare esplicitamente l'incertezza del modello invece di affidarsi a potenzialmente fuorvianti stime puntuali.