Riepilogo Tecnico: Imputazione Efficiente per Dati Singola Cella Mancanti Basati su Patch tramite Trasporto Ottimo Regularizzato da Cluster

1. Enunciato del Problema

Le tecnologie di sequenziamento a singola cella generano dati ad alta dimensionalità notoriamente sparsi a causa di eventi di "dropout" (zeri tecnici) e della mancanza biologica di espressione. Sebbene esistano numerosi metodi di imputazione, essi tipicamente assumono una mancanza uniforme o la completezza dei dati. Spesso faticano a gestire dati mancanti basati su patch, uno scenario in cui interi blocchi di caratteristiche (ad esempio, tutte le misurazioni proteiche in un batch CITE-seq o tutti i valori di espressione genica in una specifica modalità) sono assenti per un sottoinsieme del dataset.

I metodi esistenti spesso si basano su similarità locali o su forti assunzioni riguardo alla completezza dei dati, portando a un eccessivo livellamento (sfocatura delle distinzioni biologiche) o al fallimento nel recuperare assenze strutturate. Inoltre, molti approcci mancano dell'efficienza computazionale richiesta per dataset su larga scala, richiedendo spesso da minuti a ore per l'imputazione.

2. Metodologia: CROT

Gli autori propongono il Trasporto Ottimo Regularizzato da Cluster (CROT), un algoritmo progettato per imputare valori mancanti in dati tabulari a singola cella allineando un dataset incompleto ($X_2$) con un dataset di riferimento completo ($X_1$).

Meccanismo Principale

CROT formula l'imputazione come un problema di ottimizzazione che minimizza la distanza tra le distribuzioni dei dati incompleti e completi preservando la struttura biologica. Il metodo utilizza il Trasporto Ottimo Entropico (OT) per calcolare un piano di trasporto che mappa le caratteristiche da $X_1$ a $X_2$.

La funzione di perdita totale, $L_{CROT}$, è composta da due termini:

1. Allineamento a Livello di Dati: La divergenza di Sinkhorn ($S^\epsilon_p$) tra le distribuzioni dei dati grezzi di $X_1$ e $X_2$. Ciò garantisce che i valori imputati si allineino con la distribuzione osservata.
2. Regularizzazione da Cluster: Un termine di regolarizzazione ($\alpha S^\epsilon_p$) che minimizza la divergenza di Sinkhorn tra i centroidi dei cluster di $X_1$ e $X_2$.

Flusso di Lavoro Algoritmico

1. Inizializzazione: Le voci mancanti in $X_2$ sono inizializzate utilizzando le medie delle colonne di $X_1$ più rumore gaussiano.
2. Determinazione dei Cluster: Il numero ottimale di cluster ($k$) è determinato per i dati di riferimento $X_1$ utilizzando il metodo del gomito e applicato a $X_2$.
3. Ottimizzazione Alternata:
   • Passo di Clustering: Viene eseguita la clustering K-means su sottoinsiemi campionati di $X_1$ e sulla stima corrente di $X_2$ per assegnare etichette di cluster e calcolare i centroidi ($C_1, C_2$). Si noti che il passo di assegnazione discreta non è differenziabile; pertanto, le assegnazioni sono mantenute fisse durante l'aggiornamento del gradiente.
   • Passo di Trasporto: Viene calcolata la divergenza di Sinkhorn sia per i campioni di dati che per i centroidi dei cluster.
   • Aggiornamento: Le voci mancanti in $X_2$ sono aggiornate tramite discesa del gradiente (utilizzando l'ottimizzatore Adam) per minimizzare la perdita combinata.
4. Convergenza: Il processo itera fino a quando la perdita converge, tipicamente entro 150 iterazioni.

Complessità

L'algoritmo impiega il mini-batching (campionamento di $l$ righe) per garantire la scalabilità. La complessità temporale complessiva è $O(m_1 \cdot n + T \cdot l^2)$, dove $m_1$ è il numero di cellule nel riferimento, $n$ è il numero di caratteristiche, $T$ è il numero di iterazioni esterne e $l$ è la dimensione del batch. Questa dipendenza lineare dalla dimensione del dataset consente accelerazioni significative rispetto agli approcci OT a matrice completa.

3. Contributi Chiave

• Nuovo Framework: Introduzione di CROT, il primo metodo di imputazione basato sul trasporto ottimo specificamente progettato per gestire la mancanza basata su patch (interi blocchi di modalità) nei dati a singola cella.
• Preservazione Strutturale: L'integrazione di un termine di regolarizzazione da cluster garantisce che i dati imputati ricapitolino la struttura dei tipi cellulari (centroidi) dei dati di riferimento, prevenendo il collasso di identità cellulari distinte.
• Efficienza: Il metodo raggiunge un'accuratezza di imputazione superiore con un tempo di esecuzione drasticamente ridotto (secondi contro minuti/ore per i metodi di base) sfruttando la regolarizzazione entropica e l'ottimizzazione mini-batch.
• Valutazione Robusta: Valutazione completa su tre dataset reali (CITE-seq, Multiome, PBMC) in scenari simulati di dropout basati su patch.

4. Risultati Sperimentali

Gli autori hanno valutato CROT contro metodi di base all'avanguardia, inclusi MAGIC, scImpute, DeepImpute, totalVI, MultiVI e SCOTv2.

• Recupero Numerico: CROT ha ottenuto il più alto Coefficiente di Correlazione di Pearson (PCC) e il più basso Errore Assoluto Medio (MAE) ed Errore Quadratico Medio (RMSE) su tutti e tre i dataset. Ad esempio, sul dataset CITE-seq, CROT ha ottenuto un PCC di $0.76 \pm 0.04$ e un MAE di $0.47 \pm 0.02$, superando il metodo successivo migliore (totalVI).
• Prestazioni di Clustering: In termini di clustering dei tipi cellulari (misurato tramite Indice Rand Aggiustato, NMI e Purezza), CROT ha costantemente superato gli altri metodi. Su CITE-seq, ha ottenuto un ARI di $0.83$ e una Purezza di $0.93$, significativamente superiori ai dati grezzi o ad altri metodi di imputazione.
• Fedeltà Biologica: Le visualizzazioni (UMAP) e l'analisi dell'espressione di proteine marcatore (ad esempio, CD3, CD14, CD19) hanno confermato che CROT preserva l'eterogeneità biologica e le firme specifiche dei tipi cellulari meglio dei concorrenti, che spesso mostravano una specificità del marcatore attenuata.
• Efficienza Computazionale: CROT ha dimostrato una velocità eccezionale, completando l'imputazione in 5, 12 e 39 secondi rispettivamente per i dataset CITE-seq, Multiome e PBMC. Ciò rappresenta circa l'1-2% del tempo di esecuzione richiesto dal metodo di base medio.
• Ablazione e Robustezza:
  • Gli studi di ablazione hanno confermato che sia la perdita a livello di dati che il termine di regolarizzazione da cluster sono necessari per prestazioni ottimali.
  • L'analisi di sensibilità ha mostrato che il metodo è robusto alle variazioni nella forza di regolarizzazione ($\alpha$) e nel numero di cluster ($k$).
  • I test di robustezza hanno indicato che, sebbene le prestazioni decadano in modo graduale sotto mancanza casuale parziale (mascheramento 50-75%) e composizioni di cluster non corrispondenti (tipi cellulari mancanti), il metodo rimane competitivo, sebbene assuma una composizione biologica simile tra riferimento e target.

5. Significato e Affermazioni

Il documento afferma che CROT fornisce una soluzione robusta per l'imputazione in dataset eterogenei e ad alta dimensionalità con assenza strutturata di dati, affrontando un vuoto critico in cui gli algoritmi tradizionali focalizzati sul dropout falliscono.

Gli autori sottolineano che, accoppiando il trasporto ottimo con la regolarizzazione a livello di cluster, CROT bilancia efficacemente l'accuratezza numerica con la preservazione della struttura biologica. Il metodo è presentato come uno strumento pratico e scalabile per l'analisi su larga scala e multimodale a singola cella, capace di recuperare segnali biologici significativi (come sottopopolazioni cellulari rare e traiettorie di sviluppo) che sono spesso oscurati dal rumore o dai dati mancanti. Gli autori riconoscono limitazioni relative alla correzione esplicita dei batch e alla dipendenza dal fatto che i dati di riferimento condividano una composizione biologica simile, suggerendo questi aspetti come aree per un affinamento futuro.