Single Change-Point Detection via Energy Distance with Application to Genomic Data

1. Enunciato del Problema

Il lavoro affronta il problema statistico fondamentale della rilevazione di punti di cambiamento in sequenze di osservazioni indipendenti. Nello specifico, si concentra su:

• Rilevazione di un Singolo Punto di Cambiamento: Identificare una singola posizione sconosciuta $k^*$ in una sequenza $X_1, \dots, X_n$ dove la distribuzione sottostante cambia da $F_1$ a $F_2$.
• Requisiti Non Parametrici: Il metodo deve essere robusto rispetto a varie assunzioni distribuzionali (ad es. normale, skew-normale, esponenziale) e capace di rilevare cambiamenti non solo nella posizione (media), ma anche nella scala (varianza) e nella forma.
• Test Globale: La sfida di scansionare l'intera sequenza per trovare la massima evidenza di un cambiamento controllando i tassi di errore di Tipo I, in particolare quando la statistica test è un massimo su punti di divisione dipendenti.
• Contesto Applicativo: Il metodo è motivato dall'analisi di dati genomici (nello specifico dati CGH da microarray cDNA), dove il rilevamento di variazioni strutturali (alterazioni del numero di copie) è critico, e i dati spesso mostrano non-normalità e complessi spostamenti distribuzionali.

2. Metodologia

L'approccio proposto utilizza la Distanza Energetica, una metrica tra distribuzioni di probabilità introdotta da Székely e Rizzo, integrata in un quadro di statistiche U.

A. La Statistica Test

Il cuore del metodo è una statistica di scansione energetica studentizzata.

1. Definizione della Distanza Energetica: Per due campioni $X$ e $Y$, la distanza energetica empirica $E_{n,m}(X,Y)$ è definita utilizzando distanze euclidee a coppie con potenza $\omega=1$:
   $$E_{n,m}(X, Y) = \frac{2}{nm}\sum |X_i - Y_j| - \frac{1}{n^2}\sum |X_i - X_j| - \frac{1}{m^2}\sum |Y_i - Y_j|$$
2. Formulazione come Statistica U: La distanza energetica tra due segmenti divisi all'indice $k$ è espressa come una statistica U a due campioni ponderata:
   $$E_k = 2U_{XY} - U_{XX} - U_{YY}$$
   dove $U_{XY}$, $U_{XX}$ e $U_{YY}$ sono statistiche U basate sul kernel $h(x,y) = \|x-y\|$.
3. Studentizzazione: Per ottenere normalità asintotica e stabilità, la statistica è standardizzata da un stimatore della varianza del kernel degenere ($s_{\Psi,n}$), derivato da una decomposizione del kernel doppiamente centrato.
   $$Z_{n,k} = \frac{k(n-k)}{\sqrt{2}n s_{\Psi,n}} E_k$$
   Questa studentizzazione garantisce che la statistica sia asintoticamente pivotale (convergente verso una normale standard) sotto l'ipotesi nulla per punti di divisione interni.

B. Rilevazione Globale e Calibrazione

• Statistica di Scansione: La statistica test globale è definita come il valore assoluto massimo della statistica studentizzata su un insieme interno ritagliato $K_\eta$ (per evitare problemi ai bordi):
  $$T_n = \max_{k \in K_\eta} |Z_{n,k}|$$
• Calibrazione del Valore Critico: Sebbene la distribuzione asintotica di $Z_{n,k}$ sia $N(0,1)$, la distribuzione del massimo $T_n$ è complessa. Il lavoro propone l'uso di un test di permutazione per calibrare i valori critici. Sotto l'ipotesi nulla di scambiabilità, i dati vengono permutati $L$ volte (ad es. $L=999$) per generare una distribuzione nulla empirica per $T_n$.
• Punti di Cambiamento Multipli: Per gestire punti di cambiamento multipli, la procedura a singolo cambiamento è incorporata all'interno di un quadro di Segmentazione Binaria. L'algoritmo applica ricorsivamente il test ai segmenti, dividendo al punto di cambiamento rilevato finché non rimangono cambiamenti significativi.
• Gestione della Dipendenza: Per dati genomici con dipendenza seriale locale, il lavoro raccomanda una strategia di permutazione a blocchi circolari per preservare la correlazione a corto raggio durante la calibrazione, prevenendo falsi positivi dovuti ad artefatti spaziali.

3. Contributi Chiave

1. Teoria Asintotica: Il lavoro deriva le proprietà asintotiche della statistica proposta.
   • Ipotesi Nulla: Dimostra che per qualsiasi divisione interna fissa $k$, $Z_{n,k} \xrightarrow{d} N(0,1)$.
   • Ipotesi Alternativa: Stabilisce la consistenza della posizione stimata del punto di cambiamento ($\hat{k}/n \xrightarrow{p} \tau^*$) e mostra che la statistica test diverge all'infinito sotto l'alternativa, garantendo la consistenza del test globale.
2. Studentizzazione Esplicita: A differenza di molti metodi esistenti basati sull'energia che si affidano pesantemente al ricampionamento per la standardizzazione, questo lavoro fornisce una studentizzazione analitica esplicita che produce una statistica asintoticamente pivotale, semplificando l'implementazione e l'analisi teorica.
3. Robustezza: Il metodo è progettato per essere libero dalla distribuzione, catturando cambiamenti nella posizione, nella scala e nella forma simultaneamente senza richiedere la selezione di una banda (a differenza dei metodi basati su kernel) o la costruzione di grafi (a differenza dei metodi basati su grafi).
4. Applicazione Genomica: Il metodo è stato applicato con successo a dati CGH del cancro al seno, dimostrando la sua capacità di rilevare sottili variazioni strutturali che altri metodi potrebbero appiattire.

4. Risultati

Il lavoro presenta estesi studi di simulazione e un'applicazione su dati reali.

A. Studi di Simulazione

Il metodo (ED) è stato confrontato con Fused Lasso (FL), E-Divisive (ECP) e PELT attraverso distribuzioni Normale, Skew-Normale ed Esponenziale.

• Controllo dell'Errore di Tipo I: ED ha dimostrato un controllo stabile e accurato dell'errore di Tipo I (vicino al livello nominale di 0,05) attraverso tutte le distribuzioni e dimensioni campionarie. Al contrario, FL ha mostrato errori di Tipo I gonfiati (liberali) in certi scenari (ad es. Normale $n=100$), mentre ECP/PELT sono stati talvolta eccessivamente conservativi.
• Prestazioni di Potenza:
  • Spostamenti di Media/Scala: ED ha costantemente superato o eguagliato i concorrenti, in particolare nel rilevare spostamenti piccoli-moderati e in regioni di confine (dove il punto di cambiamento è vicino all'inizio o alla fine della sequenza).
  • Asimmetria: Sotto distribuzioni Skew-Normale ed Esponenziale, ED ha mantenuto una potenza superiore, mentre altri metodi hanno faticato con le forme non simmetriche.
  • Cambiamenti Congiunti: Quando media, varianza e forma cambiavano simultaneamente, ED ha mostrato la crescita di potenza più rapida all'aumentare della dimensione campionaria.
• Accuratezza di Localizzazione: ED ha fornito stime altamente accurate della posizione del punto di cambiamento, con errori assoluti scalati comparabili al concorrente migliore (ECP) e significativamente migliori rispetto a PELT e FL, specialmente per segnali deboli.
• Efficienza Computazionale: ED è stato computazionalmente efficiente, con tempi di esecuzione comparabili a ECP e più veloci rispetto a PELT e FL per le dimensioni campionarie testate ($n=200$).

B. Applicazione su Dati Reali (CGH del Cancro al Seno)

• Dataset: Dati CGH da microarray cDNA della linea cellulare MDA157 per il cancro al seno (6.691 sonde).
• Risultati:
  • Il metodo ED ha rilevato un insieme più ricco di punti di rottura rispetto al Fused Lasso (Tibshirani & Wang, 2008), in particolare nei cromosomi #3, #6, #8 e #19.
  • Ha identificato sottili spostamenti distribuzionali che FL tendeva a sovrastimare (oversmooth).
  • Ha concordato con FL nelle regioni stabili (ad es. Cromosoma #15) e ha fornito una segmentazione più parsimoniosa rispetto alla Wild Binary Segmentation (WBS), evitando la sovrasegmentazione causata dal rumore locale.
  • L'uso della calibrazione a permutazione a blocchi ha mitigato con successo l'inflazione dei falsi positivi dovuta alla dipendenza spaziale nei dati genomici.

5. Significato

Questo lavoro apporta un contributo significativo al campo della rilevazione di punti di cambiamento attraverso:

• Collegamento tra Teoria e Pratica: Fornisce una solida base teorica (normalità asintotica e consistenza) per una statistica di scansione basata sulla distanza energetica, andando oltre gli approcci puramente algoritmici.
• Robustezza Potenziata: Sfruttando la distanza energetica, il metodo offre un quadro unificato che è robusto alla non-normalità e capace di rilevare complessi cambiamenti distribuzionali (forma/scala) che i test basati solo sulla posizione trascurano.
• Utilità Genomica: Offre uno strumento potente ed efficientemente computazionale per la segmentazione genomica, capace di identificare variazioni del numero di copie biologicamente rilevanti che spesso sfuggono ai metodi basati sull'aggiustamento o parametrici.
• Direzioni Future: Il lavoro getta le basi per estensioni a dati ad alta dimensionalità, monitoraggio sequenziale e contesti multi-cambiamento con dipendenza temporale.

In sintesi, la proposta statistica di scansione basata sulla Distanza Energetica (ED) è un metodo robusto, teoricamente solido e praticamente efficace per rilevare punti di cambiamento singoli e multipli, in particolare in ambienti di dati complessi e non gaussiani come la genomica.