Multi-view biclustering via non-negative matrix tri-factorisation

Il paper propone ResNMTF, un nuovo approccio di biclustering multi-vista basato sulla fattorizzazione tri-nonnegativa di matrici che identifica automaticamente cluster sovrapposti e non esaustivi senza conoscere a priori il loro numero, introducendo inoltre il punteggio "bisilhouette" come misura intrinseca valida per la valutazione e la regolazione degli iperparametri.

L'essenziale

Immagina di essere un detective che deve risolvere un caso complesso. Hai a disposizione diverse fonti di informazioni: una pila di articoli di giornale, registrazioni audio, foto e video. Tutti parlano delle stesse persone (i "soggetti"), ma ogni fonte racconta la storia in modo diverso, con dettagli specifici che le altre non hanno.

Il problema è: come trovi i gruppi di persone che hanno qualcosa in comune, basandoti su tutte queste fonti diverse, senza sapere a priori quanti gruppi ci sono?

Questo è esattamente il problema che affronta il paper che hai condiviso. Ecco una spiegazione semplice, usando metafore quotidiane.

1. Il Problema: Il "Biclustering" Multi-Vista

Nella vita reale, i dati non arrivano mai in un unico blocco. Arrivano da più "viste" (o fonti).

• Biclustering: Immagina di avere una griglia gigante (come un foglio Excel). Le righe sono le persone e le colonne sono le caratteristiche (es. cosa amano mangiare, che musica ascoltano). Il "biclustering" non serve solo a raggruppare le persone, ma anche a trovare quali caratteristiche sono importanti per quel gruppo specifico. È come dire: "Questo gruppo di amici ama la pizza (colonna) e va al cinema (colonna), ma non questo altro gruppo".
• Multi-Vista: Ora immagina che queste informazioni arrivino da tre fonti diverse: Instagram, Spotify e la tua lista della spesa. Ognuna ha le stesse persone (righe), ma colonne diverse (foto, canzoni, cibo).

Il problema è che non tutte le colonne sono importanti per tutti i gruppi. E non sai quanti gruppi esistono.

2. La Soluzione: ResNMTF (Il "Regista Intelligente")

Gli autori hanno creato un nuovo metodo chiamato ResNMTF.
Immagina ResNMTF come un regista cinematografico molto intelligente che sta montando un film.

• Ha diverse telecamere (le "viste" dei dati).
• Deve decidere quali attori (righe) fanno parte della stessa scena e quali oggetti di scena (colonne) sono rilevanti per quella scena.
• La magia: ResNMTF sa che alcune telecamere potrebbero essere "rumorose" (fotografano male o hanno troppa nebbia). Invece di fidarsi ciecamente di una sola telecamera o di mescolare tutto in un pasticcio indistinto, il regista "regolarizza" le telecamere: le fa lavorare insieme per trovare la verità, ma permette a ciascuna di mantenere le sue peculiarità.
• Flessibilità: A differenza di altri metodi rigidi che dicono "tutti devono vedere la stessa cosa", ResNMTF è flessibile. Può dire: "La telecamera 1 e la 2 vedono gli stessi attori, ma la telecamera 3 vede oggetti diversi". Oppure: "La telecamera 1 e la 3 vedono gli stessi oggetti". Si adatta a qualsiasi situazione.

3. Il Problema del "Quanti gruppi ci sono?"

Spesso, quando si analizzano i dati, non si sa quanti gruppi ci sono. Se ne trovi troppi, alcuni saranno solo rumore (falsi positivi). Se ne trovi pochi, perdi dettagli importanti.
Come fa il regista a sapere quando ha finito di montare il film?

4. La Nuova Misura: Il "Bisilhouette" (La "Bussola di Qualità")

Qui entra in gioco il secondo grande contributo del paper: il Bisilhouette Score.
Immagina di aver raggruppato le persone. Come fai a sapere se il raggruppamento è buono?

• Il Silhouette Score classico: È come chiedere a una persona: "Ti senti a tuo agio con il tuo gruppo? Sei lontano dagli altri gruppi?". Se la risposta è sì, il gruppo è buono.
• Il Bisilhouette Score (la novità): Questo è un upgrade speciale per i bicluster. Non chiede solo "sei nel gruppo giusto?", ma "sei nel gruppo giusto per le caratteristiche giuste?".
  • Immagina di essere in un gruppo di amanti del jazz. Il Bisilhouette controlla se sei nel gruppo giusto rispetto alle canzoni jazz, ignorando se nel gruppo ci sono anche persone che amano il rock (che non c'entrano nulla con la tua definizione di gruppo).
  • È uno strumento che aiuta a decidere: "Ho trovato il numero perfetto di gruppi?" senza bisogno di un esperto umano che guardi i dati e dica "sembra giusto". Funziona anche se i gruppi si sovrappongono (una persona può appartenere a due gruppi) o se alcune persone non appartengono a nessun gruppo.

5. La "Stabilità" (Il Test della Realtà)

C'è un ultimo passaggio. A volte, un algoritmo trova gruppi che sembrano reali ma sono solo un caso fortuito (rumore).
Per evitare questo, ResNMTF usa una tecnica di stabilità:

• Prende i dati, li mescola un po' (come mescolare un mazzo di carte), e prova a trovare i gruppi di nuovo.
• Se i gruppi che trovi sono sempre gli stessi, allora sono veri (stabili).
• Se cambiano ogni volta che mescoli le carte, allora erano solo un'illusione e vengono scartati.

In Sintesi: Cosa ci dicono i risultati?

Gli autori hanno provato il loro metodo su dati finti (creati in laboratorio per sapere la risposta esatta) e su dati reali (articoli di giornale, dati medici sul cancro, dati genetici).

• Risultato: ResNMTF è come un detective super-attento. Trova i gruppi giusti meglio degli altri metodi esistenti, anche quando i dati sono confusi, incompleti o provengono da fonti molto diverse tra loro.
• Il Bisilhouette: Si è rivelato una bussola affidabile per guidare il processo, aiutando a scegliere il numero giusto di gruppi senza bisogno di indovinare.

Conclusione:
Questo paper ci offre due cose preziose:

1. Un metodo intelligente (ResNMTF) per unire dati diversi e trovare pattern nascosti, anche quando non sappiamo quanti pattern ci sono.
2. Un metro di misura (Bisilhouette) per dire se quei pattern sono davvero significativi o solo un'illusione.

È come avere un nuovo set di strumenti per un artigiano che deve costruire un mobile complesso: sa esattamente quali pezzi usare e come assemblarli, e ha un metro speciale per assicurarsi che il mobile sia solido e ben fatto.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del paper "Multi-view biclustering via non-negative matrix tri-factorisation" in italiano.

1. Il Problema

Il biclustering (o co-clustering) è una tecnica di apprendimento non supervisionato che mira a raggruppare simultaneamente righe e colonne di una matrice dei dati, identificando sottogruppi di osservazioni che condividono caratteristiche specifiche. Tuttavia, l'applicazione del biclustering in contesti moderni presenta diverse sfide:

• Dati Multi-Vista: I dati vengono sempre più spesso raccolti da fonti multiple (es. genomica, proteomica, metilazione) che descrivono gli stessi oggetti. Le sfide risiedono nell'integrare queste viste in modo flessibile, permettendo che alcune righe (es. individui) o colonne (es. geni) siano condivise tra le viste, mentre altre siano specifiche di una singola vista.
• Mancanza di Conoscenza A Priori: Spesso il numero reale di bicluster presenti nei dati è sconosciuto.
• Non Esaurività e Non Esclusività: I bicluster reali possono non coprire tutte le righe/colonne (non-esauritivi) e un elemento può appartenere a più di un bicluster (non-esclusivi/sovrapposti).
• Mancanza di Metriche Intrinseche: Non esiste una misura standard interna (intrinseca) per valutare la qualità dei bicluster che tenga conto della loro complessità strutturale, della non-esaurività e della sovrapposizione, rendendo difficile la selezione del numero ottimale di bicluster e il confronto tra metodi senza etichette di verità (ground truth).

2. Metodologia Proposta: ResNMTF

Gli autori propongono un nuovo approccio chiamato ResNMTF (Restrictive Non-negative Matrix Tri-Factorisation), basato sulla Fattorizzazione Triangolare di Matrice Non Negativa (NMTF).

A. Formulazione Matematica

ResNMTF fattorizza le matrici di dati non negative $X^{(v)}$ di ciascuna vista $v$ in tre matrici: $X^{(v)} \approx F^{(v)} S^{(v)} (G^{(v)})^T$.

• $F^{(v)}$: Assegnazione delle righe (cluster di righe).
• $G^{(v)}$: Assegnazione delle colonne (cluster di colonne).
• $S^{(v)}$: Matrice di interazione che collega i cluster di righe e colonne.

La funzione obiettivo minimizza l'errore di ricostruzione e include termini di regolarizzazione tra le diverse viste:
$$\min \sum_{v} \| X^{(v)} - F^{(v)} S^{(v)} (G^{(v)})^T \|^2 + \sum_{v,w} (\phi_{vw} \|F^{(v)} - F^{(w)}\|^2 + \xi_{vw} \|S^{(v)} - S^{(w)}\|^2 + \psi_{vw} \|G^{(v)} - G^{(w)}\|^2)$$
I parametri di tuning ($\phi, \xi, \psi$) permettono di imporre vincoli flessibili: ad esempio, forzare la condivisione dei cluster di righe tra due viste specifiche, o dei cluster di colonne, o di entrambi, senza richiedere che tutte le viste condividano tutto.

B. Algoritmo di Ottimizzazione

• Aggiornamenti Moltiplicativi: Utilizza regole di aggiornamento moltiplicativo (simili a quelle di Lee e Seung per l'NMF) per risolvere il problema non convesso, garantendo la non negatività delle matrici.
• Inizializzazione: Propone una procedura di inizializzazione basata sulla SVD (Singular Value Decomposition) per fornire un punto di partenza robusto, utilizzando i vettori singolari assoluti normalizzati.
• Assegnazione dei Bicluster: I bicluster sono definiti identificando righe e colonne con valori di associazione superiori a una soglia (es. $1/n$), permettendo naturalmente la non-esaurività e la sovrapposizione.

C. Rimozione dei Bicluster Spuri e Stabilità

Per affrontare l'incertezza sul numero di bicluster e la presenza di rumore:

1. Rilevazione del Rumore: Viene utilizzato un approccio di resampling (shuffling dei dati) per generare matrici di rumore puro. La divergenza Jensen-Shannon (JSD) confronta la distribuzione dei fattori ottenuti dai dati reali con quelli del rumore. I bicluster i cui fattori non differiscono significativamente dal rumore vengono rimossi.
2. Analisi di Stabilità: Viene applicata una tecnica di sub-sampling (campionamento parziale dei dati) per valutare la stabilità dei bicluster. Se un bicluster non si riproduce coerentemente su diversi sottocampioni, viene considerato instabile e rimosso.

3. Contributi Chiave

A. Il Punteggio Bisilhouette (Bisilhouette Score)

Gli autori introducono una nuova metrica intrinseca chiamata Bisilhouette Score, un'estensione del classico Silhouette Score utilizzato nel clustering.

• Funzionamento: Calcola il coefficiente di silhouette per ogni riga di un bicluster, ma considerando solo le colonne appartenenti a quel specifico bicluster.
• Vantaggi:
  • Gestisce nativamente la sovrapposizione e la non-esaurività.
  • Valuta la compattezza e la separazione del bicluster rispetto al resto dei dati.
  • Può essere utilizzato per determinare il numero ottimale di bicluster massimizzando il punteggio, senza bisogno di etichette esterne.
  • Fornisce visualizzazioni utili per diagnosticare la qualità dei singoli bicluster.

B. Flessibilità Multi-Vista

ResNMTF supera i limiti delle metodologie esistenti (come iSSVD o GFA) permettendo combinazioni arbitrarie di vincoli tra le viste (es. righe condivise ma colonne diverse, o viceversa), adattandosi a scenari complessi come gli studi multi-omici.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su dataset sintetici (con struttura nota) e dataset reali (3Sources, BBCSport, A549, TCGA).

• Prestazioni: ResNMTF ha dimostrato prestazioni superiori o comparabili rispetto a metodi concorrenti come l'NMTF non vincolato, GFA (Group Factor Analysis) e iSSVD (integrative sparse SVD).
• Robustezza: Il metodo mantiene buone prestazioni anche in presenza di rumore elevato, sovrapposizione di bicluster e non-esaurività.
• Confronto Metriche: Il Bisilhouette Score mostra una forte correlazione (Pearson > 0.94 sui dati sintetici) con le metriche estrinseche (F-score) basate sul ground truth, confermando la sua efficacia come strumento di selezione in contesti non supervisionati.
• Dataset Reali: Su dataset come 3Sources e BBCSport, ResNMTF ha ottenuto i migliori punteggi F-score, specialmente quando i parametri di regolarizzazione e stabilità sono stati ottimizzati utilizzando il Bisilhouette Score.

5. Significato e Impatto

Questo lavoro è significativo per diversi motivi:

1. Soluzione al problema della valutazione: Colma un vuoto critico nella letteratura fornendo una misura intrinseca affidabile (Bisilhouette) per il biclustering, permettendo di sintonizzare gli iperparametri e scegliere il numero di cluster senza conoscere la verità a priori.
2. Flessibilità nell'integrazione dati: Offre un framework matematico robusto per l'integrazione di dati multi-vista che rispetta le relazioni specifiche tra le fonti, evitando la perdita di segnale dovuta a vincoli troppo rigidi o all'uso di matrici di consenso generiche.
3. Applicabilità Pratica: La disponibilità di pacchetti R (resnmtf e bisilhouette) e la dimostrazione su dati reali (inclusi dati biomedici complessi come scRNA-seq e TCGA) rendono il metodo immediatamente utilizzabile per ricercatori in campi come la bioinformatica e l'analisi di testi.

In sintesi, ResNMTF rappresenta un avanzamento significativo nella capacità di scoprire strutture complesse e sovrapposte in dati multidimensionali, supportato da un nuovo strumento di valutazione che rende il processo di clustering più autonomo e affidabile.