Inference on covariance structure in high-dimensional multi-view data

1. Il Problema

Il lavoro affronta la sfida dell'estimazione della struttura di covarianza in dati multi-view (o multi-omica) ad alta dimensionalità. In contesti come la biomedicina, i ricercatori raccolgono spesso dati da diverse fonti (es. espressione genica, metilazione, proteomica) sullo stesso set di campioni.
Le difficoltà principali identificate sono:

• Eterogeneità dei dati: Le diverse "viste" (view) possono avere dimensioni molto diverse, distribuzioni differenti e rapporti segnale-rumore (SNR) disomogenei.
• Limiti dei metodi esistenti:
  • I metodi basati su decomposizioni fattoriali bayesiane tradizionali (es. MOFA) richiedono computazione tramite MCMC (Markov Chain Monte Carlo), che è costoso e fragile, o approssimazioni variazionali che sottostimano l'incertezza e mancano di garanzie teoriche.
  • Metodi che concatenano i dati prima dell'analisi ignorano la struttura multi-view, portando a risultati sub-ottimali.
  • Metodi basati su criteri di informazione o priors di shrinkage tendono a perdere fattori latenti attivi solo in viste con dimensioni ridotte o basso SNR.
  • Metodi come JIVE (Joint and Individual Variation Explained) non forniscono quantificazione dell'incertezza.

2. Metodologia Proposta: FAMA

Gli autori propongono FAMA (Factor Analysis for Multi-view data via spectral Alignment), un approccio che combina decomposizioni spettrali con inferenza bayesiana surrogata per stimare i fattori latenti e le covarianze in modo scalabile e teoricamente garantito.

Il procedimento si articola in tre fasi principali:

1. Stimolazione Spettrale dei Fattori Latenti:

   • Invece di inferire direttamente quali fattori sono attivi in quale vista (un compito computazionalmente oneroso), FAMA stima i fattori latenti attivi in almeno una vista.
   • Per ogni vista $m$, viene calcolata la SVD (Singular Value Decomposition) della matrice dei dati $Y_m$. Si ottiene una matrice di proiezione $P_m$ basata sui vettori singolari principali.
   • Si calcola la media empirica $\tilde{P} = \frac{1}{M}\sum P_m$.
   • La stima finale dei fattori latenti globali $\hat{F}$ è ottenuta tramite la SVD di $\tilde{P}$, prendendo i primi $k_0$ vettori singolari sinistri. Questo passo allinea le stime delle diverse viste, sfruttando la sovrapposizione degli spazi dei fattori.

2. Inferenza dei Caricamenti (Loadings) tramite Regressione Surrogata:

   • Una volta stimati i fattori $\hat{F}$, questi vengono trattati come covariate osservate.
   • Si risolvono problemi di regressione multivariata surrogata per stimare i caricamenti $\Lambda_m$ e le varianze residue $\Psi_m$.
   • Vengono utilizzati priors coniugati Normal-Inverse Gamma per i caricamenti e le varianze. Questo permette di derivare la distribuzione a posteriori in forma analitica (prodotto di distribuzioni Normal-Inverse Gamma), evitando completamente il campionamento MCMC.
   • I caricamenti sono stimati come soluzioni di problemi di minimi quadrati regolarizzati ($L_2$).

3. Correzione della Varianza e Quantificazione dell'Incertezza:

   • Poiché l'uso di $\hat{F}$ come covariate fisse porta a una sottocopertura delle intervalli di credibilità, FAMA introduce un fattore di inflazione della varianza $\rho_m > 1$.
   • Questo fattore viene calibrato in modo da garantire una copertura frequentista asintoticamente valida per gli intervalli di credibilità degli elementi della matrice di covarianza.

3. Contributi Chiave

• Stima Spettrale Allineata: Un metodo innovativo per stimare i fattori latenti comuni e specifici senza dover identificare esplicitamente la loro presenza in ogni vista, superando le difficoltà computazionali e statistiche delle viste eterogenee.
• Computazione Scalabile: L'approccio evita MCMC costoso. La distribuzione a posteriori è calcolata analiticamente e in parallelo per ogni variabile, rendendo il metodo estremamente veloce (secondi rispetto a minuti/ore di altri metodi).
• Garanzie Teoriche Rigorose: Il paper fornisce prove di:
  • Contrazione della posterior: La distribuzione a posteriori si concentra attorno al vero parametro quando sia il numero di campioni ($n$) che le dimensioni delle viste ($p_m$) divergono (regime "double asymptotic").
  • Teorema del Limite Centrale (CLT): Gli stimatori puntuali per gli elementi della covarianza sono asintoticamente normali.
  • Teorema di Bernstein-von Mises: La distribuzione a posteriori converge a una Gaussiana centrata, giustificando l'uso degli intervalli di credibilità come intervalli di confidenza frequentisti.
• Quantificazione dell'Incertezza: Fornisce intervalli di credibilità con copertura frequentista valida, un aspetto spesso trascurato o approssimato male nei metodi bayesiani esistenti per dati ad alta dimensionalità.

4. Risultati Sperimentali

Gli autori hanno valutato FAMA su dati simulati e su un dataset reale di multi-omics del cancro (Vasaikar et al., 2017).

• Simulazioni:

  • Accuratezza: FAMA ottiene errori di stima (Frobenius) competitivi o superiori rispetto a MOFA, AJIVE, FABLE e ROTATE, specialmente nella stima delle covarianze inter-view (tra diverse viste) in scenari sbilanciati (dove alcune viste hanno dimensioni molto maggiori di altre).
  • Copertura: Gli intervalli di credibilità generati da FAMA mostrano una copertura frequentista media vicina al 95% (il livello nominale), mentre metodi come FABLE tendono a sottocoprire significativamente.
  • Velocità: FAMA è di ordini di grandezza più veloce degli altri metodi (es. ~4 secondi contro ~500 secondi per MOFA).

• Applicazione Reale (Cancro):

  • Integrando quattro viste (RNA-seq, SCNV, DNA-met, RPPA) su 170 campioni tumorali.
  • FAMA ha prodotto i migliori risultati di verosimiglianza logaritmica fuori campione (out-of-sample log-likelihood) nella maggior parte dei casi.
  • L'analisi ha rivelato strutture biologiche interpretabili, come cluster di geni associati al sistema immunitario, programmi intrinseci del tumore e pattern di metilazione inversa, confermando la capacità del metodo di catturare segnali biologici complessi.

5. Significato e Impatto

Questo lavoro rappresenta un avanzamento significativo nell'analisi statistica dei dati multi-omics.

• Superamento del collo di bottiglia computazionale: Rende l'inferenza bayesiana sulla struttura di covarianza fattibile per dataset di grandi dimensioni, dove i metodi MCMC sono impraticabili.
• Robustezza all'eterogeneità: Offre una soluzione solida per integrare dati di qualità e dimensione molto diverse, un problema comune nella ricerca biomedica reale.
• Affidabilità statistica: Fornisce non solo stime puntuali, ma una quantificazione rigorosa dell'incertezza con garanzie teoriche, essenziale per la scoperta scientifica e la validazione dei risultati.
• Fondazione per futuri sviluppi: Il framework proposto può essere esteso a dati non continui (conteggi, binari) e a modelli supervisionati, aprendo la strada a nuove applicazioni in ecologia e medicina di precisione.

In sintesi, FAMA offre un equilibrio ottimale tra accuratezza statistica, velocità computazionale e validità teorica, posizionandosi come un metodo di riferimento per l'integrazione di dati multi-view ad alta dimensionalità.