Making Multi-Axis Models Robust to Multiplicative Noise: How, and Why?

1. Il Problema

Il lavoro affronta la sfida di adattare i modelli multi-assi (o strutturati a somma di Kronecker) a dati corrotti da rumore moltiplicativo.

• Contesto: I dati matriciali, come quelli dell'RNA-seq a cellula singola (scRNA-seq), sono spesso caratterizzati da una struttura in cui le righe rappresentano le cellule e le colonne i geni. L'obiettivo è apprendere simultaneamente due reti di dipendenza: una per le righe ($\Psi_{rows}$, reti cellulari) e una per le colonne ($\Psi_{cols}$, reti geniche).
• Limitazione degli approcci esistenti: I metodi attuali (es. GmGM) assumono che i dati seguano una distribuzione Gaussiana o una "Gaussian copula". Tuttavia, i dati scRNA-seq sono intrinsecamente affetti da rumore moltiplicativo dovuto a bias tecnici (es. bias GC, incompletezza della misurazione).
• Conseguenze: Ignorare questo rumore porta a modelli meno flessibili. In particolare, le Gaussian copula non permettono la dipendenza di coda (tail dependence), ovvero la correlazione tra eventi estremi, che invece è presente nei dati biologici reali. Il rumore moltiplicativo rende i dati non identificabili rispetto alla scala, richiedendo nuovi approcci statistici.

2. Metodologia: MED-MAGMA

Gli autori propongono MED-MAGMA (Matrix Elliptical Distribution's Multi-Axis Graphical Modelling Algorithm), un algoritmo basato sulla Massima Verosimiglianza (MLE) tramite il metodo Expectation-Maximization (EM).

A. Modello Statistico

Il modello assume che i dati osservati $X$ siano il risultato di una variabile latente $Z$ (distribuita come una Gaussiana multivariata con struttura a somma di Kronecker) moltiplicata per fattori di rumore positivi:
$$X_{ij} = r^{rows}_i \cdot r^{cols}_j \cdot Z_{ij}$$
Dove $Z \sim \mathcal{N}(0, (\Psi_{cols} \oplus \Psi_{rows})^{-1})$ e $r$ sono variabili casuali strettamente positive. Questa struttura generalizza le distribuzioni ellittiche al caso matriciale.

B. Gestione dell'Non-Identificabilità e Rimozione del Rumore

Poiché il rumore moltiplicativo rende indistinguibili la scala dei dati e la struttura della covarianza, il metodo introduce una funzione di trasformazione $f(X)$ per rimuovere le direzioni corrotte dal rumore preservando l'orientamento (la struttura della rete).

• Funzione $f$: Normalizza i dati in modo da eliminare l'effetto dei fattori $r$. La funzione è definita come:
  $$f(X)_{ij} = \frac{x_{ij}}{(\prod x)^{1/d_{rows}d_{cols}} \cdot (\prod_j x_{ij})^{1/d_{cols}} \cdot (\prod_i x_{ij})^{1/d_{rows}}}$$
  (Con una modifica specifica per gestire gli zeri, comuni nello scRNA-seq).
• Spazio Quoziente: L'algoritmo lavora sullo "spazio quoziente" ottenuto proiettando i dati tramite $f$, integrando poi sullo "spazio fibra" (le direzioni del rumore) per ottenere la verosimiglianza.

C. Algoritmo di Ottimizzazione (EM)

L'algoritmo itera tra due fasi:

1. E-step (Stima delle statistiche sufficienti): Si calcolano le aspettative delle statistiche sufficienti ($S_{rows}$ e $S_{cols}$) sulla distribuzione latente condizionata ai dati osservati denoizzati. Poiché l'integrale esatto è intrattabile, si utilizza l'Approssimazione di Laplace per trovare il punto di massima densità $z^*$ e approssimare l'integrale.
2. M-step (Aggiornamento dei parametri): Si aggiornano $\Psi_{rows}$ e $\Psi_{cols}$ massimizzando la funzione Q. Questo passo si riduce a un problema di ottimizzazione risolvibile efficientemente tramite l'algoritmo GmGM (Gaussian Multi-Axis Graphical Model), utilizzando le statistiche sufficienti stimate nell'E-step.

Per trovare $z^*$, il problema viene risolto tramite un algoritmo "flip-flop" su due sottoproblemi quadratici vincolati (ottimizzazione di $r^{rows}$ e $r^{cols}$ separatamente).

3. Contributi Chiave

1. Novità Teorica: Prima metodologia in grado di adattare modelli a somma di Kronecker in presenza di rumore moltiplicativo, generalizzando le distribuzioni ellittiche al caso matriciale.
2. Flessibilità del Modello: Rimuove l'assunzione restrittiva della "Gaussian copula", permettendo la cattura della dipendenza di coda (tail dependence), cruciale per eventi biologici estremi.
3. Algoritmo Scalabile: MED-MAGMA mantiene una complessità computazionale gestibile ($O(d_{rows}^2 + d_{cols}^2)$) grazie all'uso di GmGM come sottoproblema e all'approssimazione di Laplace.
4. Risorsa Open Source: Il codice è rilasciato come pacchetto Python (MED-MAGMA) e disponibile su PyPI.

4. Risultati Sperimentali

Gli autori hanno valutato MED-MAGMA su tre fronti:

• Validazione Sintetica: Su dati simulati con rumore moltiplicativo variabile, MED-MAGMA ha dimostrato di essere invariante alla forza del rumore, mantenendo alte prestazioni in termini di AUPR (Area Under Precision-Recall), assortatività e AMI (Adjusted Mutual Information). Al contrario, GmGM e i metodi di base degradano significativamente all'aumentare del rumore.
• Validazione Sistematica (Reale): Il metodo è stato testato su 30 dataset pubblici dello "Single Cell Expression Atlas" (tutti con meno di 1000 cellule). MED-MAGMA ha superato sistematicamente GmGM (anche nella versione con "nonparanormal skeptic") e i metodi single-axis, ottenendo reti con migliore struttura locale e globale.
• Caso di Studio (E-MTAB-7249): Analizzando un dataset di carcinoma ovarico, le reti apprese hanno mostrato:
  • Moduli genici che corrispondono chiaramente a sottotipi cellulari (stromali vs neoplastici).
  • Robustezza alle perturbazioni delle connessioni (testato con il pacchetto Robin), con fattori di Bayes molto alti ($10^8$ per le cellule, 59 per i geni), indicando che le strutture apprese sono stabili.

5. Significato e Limitazioni

Significato:
Il lavoro dimostra che incorporare la struttura del rumore moltiplicativo non è solo una correzione tecnica, ma un miglioramento fondamentale della capacità espressiva dei modelli. Permette di apprendere reti biologiche più accurate e robuste, fondamentali per compiti come il sottotipaggio cellulare e l'inferenza di reti regolatorie geniche, senza dover assumere distribuzioni Gaussiane irrealistiche.

Limitazioni:

• Scalabilità: L'algoritmo gestisce bene matrici fino a diverse migliaia di righe/colonne, ma potrebbe fatica con decine di migliaia (a causa della complessità cubica e dell'approssimazione di Laplace).
• Assunzioni: Sebbene più flessibile delle Gaussian copula, il modello assume ancora che le dipendenze siano lineari e radialmente simmetriche (tipico delle distribuzioni ellittiche).
• Complessità Computazionale: I tempi di esecuzione sono dominati dall'approssimazione delle statistiche sufficienti e dal sottoproblema GmGM.

In conclusione, MED-MAGMA rappresenta un passo avanti significativo nell'analisi di dati matriciali complessi e rumorosi, offrendo un approccio statisticamente solido per l'inferenza di reti in ambito biologico.