Learning False Discovery Rate Control via Model-Based Neural Networks

Sintesi Tecnica: Apprendimento del Controllo del False Discovery Rate tramite Reti Neurali Basate su Modelli

Definizione del Problema
Nella selezione delle variabili ad alta dimensionalità (dove il numero di variabili $p$ supera il numero di campioni $n$), il controllo del False Discovery Rate (FDR) massimizzando al contempo il True Positive Rate (TPR) rappresenta una sfida critica. Gli esistenti metodi rigorosi, come il selettore T-Rex (Terminating-Random Experiments), forniscono garanzie provabili sull'FDR ma si affidano a stimatori analitici per la False Discovery Proportion (FDP). Questi stimatori sono intrinsecamente conservativi per garantire la validità teorica, il che spesso risulta in un divario significativo tra l'FDP realizzato e il livello di FDR target. Questa eccessiva cautela porta a una perdita di potenza statistica, causando la mancata individuazione di scoperte reali, particolarmente nei regimi con basso rapporto segnale-rumore (SNR).

Metodologia
Gli autori propongono un potenziamento basato sull'apprendimento (learning-augmented) al framework del selettore T-Rex. L'innovazione principale consiste nel sostituire lo stimatore analitico conservativo dell'FDP del T-Rex con un'approssimazione guidata dai dati appresa tramite una rete neurale basata su modello.

1. Integrazione del Framework: Il selettore T-Rex opera eseguendo $K$ esperimenti casuali paralleli in cui vengono aggiunte variabili dummy alla matrice dei predittori. Un algoritmo di selezione progressiva (ad esempio, LARS) viene terminato una volta che un numero specifico di dummy entra nel modello. Le variabili vengono selezionate in base alla loro frequenza relativa di selezione ($\Phi$) attraverso questi esperimenti.
2. Architettura della Rete Neurale: Il metodo proposto utilizza un Multi-Layer Perceptron (MLP) con tre strati nascosti con attivazione ReLU (128, 64 e 32 neuroni) e un output sigmoidale finale per vincolare le predizioni nell'intervallo $[0, 1]$. L'input consiste nel vettore appiattito delle statistiche T-Rex, inclusa la matrice delle frequenze relative $\Phi$, e i parametri di calibrazione ($v, T, L$). Per gestire dimensioni variabili, $\Phi$ viene sottoposto a zero-padding fino a una dimensione massima fissa.
3. Strategia di Addestramento: La rete viene addestrata esclusivamente su dataset sintetici diversificati. Questa scelta è dettata dal fatto che dati del mondo reale etichettati (con set attivi di verità nota) sono raramente disponibili per la selezione esplorativa delle variabili, e l'addestramento su dati reali potrebbe introdurre vantaggi sleali comprimendo informazioni specifiche del dominio. La pipeline sintetica genera matrici di caratteristiche da 14 diverse distribuzioni (ad esempio, Gaussiana, Student's t, Cauchy) con diversi livelli di SNR per garantire che il modello apprenda una funzione di calibrazione generalizzabile piuttosto che memorizzare strutture specifiche.
4. Funzione di Perdita: Per mantenere un controllo approssimativo senza garanzie formali, viene impiegata una funzione di perdita asimmetrica: $L(\hat{\xi}, \xi) = \max(0, \hat{\xi} - \xi)^2 + w \cdot \max(0, \xi - \hat{\xi})^2$ con $w > 1$. Questa penalizza l'sottostima dell'FDP più pesantemente della sovrastima, incoraggiando un comportamento conservativo.
5. Calibrazione: Durante l'inferenza, la rete addestrata sostituisce lo stimatore analitico nella fase di "Calibrazione e Fusione" (Calibrate & Fuse). Viene eseguita una ricerca a griglia per trovare i parametri ottimali $(v^*, T^*)$ che massimizzano il numero di variabili selezionate pur soddisfacendo il vincolo di FDP appreso $\le \alpha$.

Contributi Chiave
Il documento delinea tre contributi primari:

1. Nuovo Framework: L'integrazione di una rete neurale profonda nella fase di calibrazione del selettore T-Rex per fornire una stima dell'FDP più accurata e guidata dai dati.
2. Validazione delle Prestazioni: Esperimenti estesi che dimostrano come il metodo proposto, addestrato esclusivamente su dati sintetici, aumenti significativamente la potenza statistica (TPR) rispetto all'originale selettore T-Rex, mantenendo al contempo un controllo approssimativo dell'FDR.
3. Generalizzazione: Evidenza che il modello addestrato si generalizza efficacemente a dati genomici realistici, specificamente in un contesto di studio di associazione genome-wide (GWAS) sintetico e complesso.

Risultati

• Benchmark Sintetici: In esperimenti con $p=150$, $n=75$ e diversi livelli di SNR, il metodo proposto ha costantemente ottenuto un TPR superiore rispetto all'originale selettore T-Rex in tutti i livelli di SNR. Questo miglioramento è stato guidato dalla selezione di parametri di calibrazione meno conservativi (specificamente soglie di voto inferiori), resi possibili dalla più stretta approssimazione dell'FDP fornita dalla rete neurale.
• Applicazione Genomica: Su un dataset GWAS simulato (generato tramite HAPGEN2 per imitare le strutture di correlazione genomica umana), il metodo ha aumentato il TPR dal $14,9\% \pm 9,4\%$ (T-Rex originale) al $17,3\% \pm 8,2\%$. L'FDR empirico è stato del $20,8\% \pm 27,3\%$, rimanendo vicino al target del $20\%$, dimostrando un controllo approssimativo efficace nonostante lo spostamento distributivo dai dati di addestramento.

Significatività e Rivendicazioni
Gli autori sostengono che il loro approccio affronti con successo il compromesso tra il rigore del controllo dell'errore e la potenza statistica. Scambiando la garanzia teorica formale dello stimatore analitico con un aumento empirico significativo della potenza, il metodo permette alla procedura di operare molto più vicino al limite desiderato dell'FDR. Il documento sottolinea come questa calibrazione guidata dai dati sia una soluzione pratica per applicazioni in cui le strette garanzie teoriche possono essere leggermente allentate a favore della scoperta di più variabili attive reali. L'esclusiva dipendenza da dati di addestramento sintetici diversificati è evidenziata come un vantaggio chiave, garantendo equità, generalizzabilità e scalabilità senza la necessità di dataset reali etichettati. Gli autori concludono che la calibrazione guidata dai dati funge da potente complemento ai metodi tradizionali basati su modelli nella selezione delle variabili ad alta dimensionalità.