Bayesian sparse principal coordinates analysis with delta-tolerant linear approximation for microbiome data

1. Il Problema

L'analisi delle coordinate principali (PCoA) è lo strumento standard per l'esplorazione della diversità beta nei dati del microbioma, permettendo di visualizzare le differenze tra campioni basandosi su matrici di dissimilarità ecologiche (es. Bray-Curtis, Hellinger). Tuttavia, la PCoA classica presenta un limite fondamentale: gli assi risultanti sono funzioni della matrice di dissimilarità "coppia-coppia" e non forniscono carichi espliciti (loadings) sulle specie tassonomiche originali. Di conseguenza, sebbene la PCoA sia eccellente per la visualizzazione, offre scarse intuizioni su quali specifici taxa guidano la struttura osservata.

Esistono metodi di ordinamento vincolato (come l'analisi di ridondanza basata su distanze), ma questi richiedono variabili esterne. L'obiettivo di questo lavoro è creare un approccio post hoc che parta da una PCoA non vincolata e ne derivi una spiegazione lineare sparsa basata sui taxa originali, mantenendo la geometria dell'ordinamento originale.

2. Metodologia Proposta: BSPCoA

Gli autori propongono la BSPCoA (Bayesian Sparse Principal Coordinates Analysis), un framework che approssima le coordinate principali dominanti tramite un surrogato lineare sparso nelle variabili osservate (taxa).

A. Formulazione del Modello

Il metodo tratta le coordinate PCoA ($Z_k$) come pseudo-risposte in un modello di regressione multivariata:
$$Z_k \approx XB$$
dove $X$ è la matrice dei dati dei taxa e $B$ è una matrice di coefficienti $p \times k$ (con $p$ taxa e $k$ dimensioni). L'obiettivo è trovare una $B$ sparsa per righe (row-sparse), ovvero con molte righe nulle, indicando che solo un sottoinsieme di taxa spiega la struttura geometrica.

B. Priori Bayesiani e Sparsità

Per indurre la sparsità e quantificare l'incertezza, viene utilizzato un approccio bayesiano con priori global-locali a tre parametri beta-normali (TPBN):

• Ogni riga di $B$ condivide una scala locale.
• La gerarchia include il prior "horseshoe" come caso speciale.
• Questo permette di selezionare automaticamente i taxa influenti mentre si riduce il rumore, fornendo anche intervalli di credibilità per i coefficienti.

C. Diagnosi Delta-Tollerante ($\delta$-tolerant)

Poiché le coordinate PCoA derivano da una decomposizione spettrale di una matrice di dissimilarità (che potrebbe non essere euclidea), non è garantito che esistano esatte rappresentazioni lineari. Gli autori introducono:

• $\delta(B)$: Un errore di ricostruzione relativo che misura la discrepanza tra la PCoA classica e il suo migliore surrogato lineare.
• Indice di Spiegazione (ExI): Il coseno dell'angolo tra il surrogato e le coordinate originali.
• Se $\delta$ è piccolo, la geometria dell'ordinamento è ben approssimata da una combinazione lineare dei taxa. Questo diagnostica quando l'interpretazione a livello di taxa è supportata dai dati.

D. Algoritmo

Viene proposto un algoritmo iterativo (Gibbs sampling) che alterna:

1. Stima di $B$ data la matrice di similarità e i coefficienti attuali.
2. Aggiornamento delle coordinate proiettate ($A$) tramite un criterio di Procrustes.
3. Per dataset molto grandi ($n$ elevato), si utilizza una strategia di proiezione su sottocampione: si calcola la PCoA su un sottoinsieme rappresentativo e si proiettano linearmente tutti gli altri campioni, evitando la decomposizione di matrici $n \times n$ costose.

3. Risultati Chiave

Studi di Simulazione

• Caso Euclideo: Quando la distanza è euclidea, BSPCoA si riduce alla PCA sparsa bayesiana (SPCA), recuperando correttamente il supporto sparso e la varianza spiegata, confermando la validità del metodo rispetto alla letteratura esistente.
• Dati Microbioma Sintetici: Simulando dati di conteggio (modello Dirichlet-Multinomiale) con gruppi distinti:
  • BSPCoA mantiene prestazioni di clustering (accuratezza e silhouette) paragonabili alla PCoA classica.
  • Fornisce un'interpretazione diretta dei taxa guidanti.
  • Funziona bene anche in scenari "difficili" con rumore di fondo, selezionando un sottoinsieme parsimonioso di taxa rilevanti.

Applicazione Reale: Microbioma Intestinale Hadza

Analizzando i dati dello studio Hadza (Smits et al., 2017) per distinguere le stagioni umide e secche:

• L'ordinamento BSPCoA è molto simile a quello della PCoA classica.
• L'accuratezza di clustering migliora leggermente (da 0.559 a 0.609), suggerendo che la regolarizzazione bayesiana rimuove variazioni estranee.
• Il metodo identifica un piccolo insieme di taxa specifici associati alla variazione stagionale, offrendo un'interpretazione biologica che la PCoA classica non fornisce.

4. Contributi Principali

1. Framework Ibrido: Unisce l'ordinamento basato su distanze (PCoA) con la selezione di variabili sparse (SPCA) in un contesto bayesiano.
2. Diagnostica Teorica: Introduce il concetto di tolleranza $\delta$, quantificando formalmente quanto bene un modello lineare può approssimare una geometria basata su distanze arbitrarie.
3. Scalabilità: Propone una strategia di proiezione su sottocampione che rende il metodo applicabile a dataset con migliaia di campioni, superando il collo di bottiglia computazionale della PCoA classica.
4. Interpretabilità: Trasforma un'analisi esplorativa "scatola nera" (PCoA) in un modello interpretabile che identifica i driver biologici specifici.

5. Significato e Implicazioni

Questo lavoro è significativo per l'ecologia microbica e la statistica applicata perché risolve il compromesso tra la necessità di utilizzare misure di dissimilarità ecologicamente significative (come Bray-Curtis) e la necessità di identificare i taxa specifici responsabili delle differenze osservate.

La metodologia dimostra che è possibile ottenere una rappresentazione lineare approssimata ma fedele della struttura dei dati, anche quando la distanza non è euclidea. Questo permette ai ricercatori di:

• Identificare biomarcatori specifici (taxa) associati a condizioni ambientali o cliniche.
• Ottenere stime di incertezza (intervalli di credibilità) per questi biomarcatori.
• Applicare l'analisi a grandi dataset di sequenziamento senza sacrificare la scalabilità computazionale.

In sintesi, BSPCoA trasforma la PCoA da uno strumento puramente visivo a uno strumento inferenziale e interpretativo per studi sul microbioma.