Active Timepoint Selection for Learning Measure-Valued Trajectories

Sintesi Tecnica: Selezione del Timepoint Attivo per la Apprendimento di Traiettorie a Valore di Misura

Definizione del Problema
Il documento affronta la sfida di inferire cammini di probabilità continui $\{\mu_t\}_{t \in [0,1]}$ da istantanee distruttive e sparse. Questo problema è critico in domini come la biologia a singola cellula, dove l'acquisizione di dati ad alta fedeltà (ad esempio, il sequenziamento) è costosa e distruttiva, impedendo un campionamento temporale denso. L'obiettivo è eseguire l'interpolazione distribuzionale: recuperare la traiettoria continua sottostante dati un insieme finito di misure empiriche osservate in punti temporali discreti.

Gli autori identificano tre sfide primarie nell'applicare l'apprendimento attivo a questo contesto:

1. Geometria Non Euclidea: Le misure di probabilità risiedono nello spazio di Wasserstein $\mathcal{P}_2(\mathcal{X})$, che è non lineare. I metodi standard di apprendimento attivo che si basano su metriche euclidee (ad esempio, i processi gaussiani standard) falliscono perché le combinazioni lineari di misure non producono misure valide, e l'interpolazione ingenua scinde la massa invece di trasportarla.
2. Mancanza di Incertezza Epistemica: I metodi attuali di interpolazione di distribuzione (ad esempio, il flow matching, gli schemi di Schrödinger) sono tipicamente deterministici. Essi restituiscono un singolo cammino adattato e mancano di un meccanismo per quantificare l'incertezza epistemica, che è essenziale per guidare le politiche di apprendimento attivo.
3. Non Stazionarietà: La dinamica delle misure può esibire velocità variabili (ad esempio, periodi di omeostasi interrotti da rapidi eventi di ramificazione). L'acquisizione di tempi uniformemente spaziati è subottimale per catturare queste regioni transitorie ad alta velocità.

Metodologia
Gli autori propongono un framework che estende l'esperimentazione attiva allo spazio delle misure costruendo un surrogato probabilistico trattabile. Il metodo consiste in quattro fasi chiave:

1. Linearizzazione tramite Trasporto Ottimale Linearizzato (LOT):
   Per gestire la geometria non euclidea, il framework mappa le misure empiriche osservate $\hat{\mu}_t$ in uno spazio tangente comune $T_\sigma \mathcal{P}_2(\mathcal{X})$ definito rispetto a una misura di riferimento fissa $\sigma$ (scelta come baricentro di Wasserstein delle istantanee osservate). Utilizzando la mappa logaritmica LOT, ogni misura è rappresentata come un campo vettoriale di spostamento $v_\mu(x) = T_{\sigma \to \mu}(x) - x$, dove $T$ è la mappa di trasporto ottimale. Questo linearizza la geometria di Wasserstein, permettendo alle misure di essere trattate come vettori in uno spazio di Hilbert.

2. Rappresentazione a Bassa Dimensione:
   I campi di spostamento ad alta dimensione vengono compressi in uno spazio latente a bassa dimensione. Gli autori appiattiscono i campi di spostamento riponderati e applicano l'Analisi delle Componenti Principali (PCA) per ottenere una rappresentazione $c_t$ a $K$ dimensioni per ogni punto temporale $t$.

3. Modellazione Probabilistica con Processi Gaussiani (GP):
   Un Processo Gaussiano Multi-Output (MOGP) è posto sull'evoluzione temporale dei coefficienti latenti $c_t$. Il modello assume un prior a media zero con un kernel matriciale. Il posteriore del GP fornisce una media predittiva e, crucialmente, una matrice di covarianza che quantifica l'incertezza epistemica sul cammino latente.

   • Ricostruzione: Per recuperare la misura predetta $\hat{\mu}_t$ in qualsiasi tempo $t$, la media latente viene mappata nuovamente attraverso la proiezione inversa della PCA e la mappa inversa LOT (aggiungendo lo spostamento ai landmark di riferimento).

4. Gestione della Non Stazionarietà tramite Warping Temporale:
   Per affrontare la natura non stazionaria dei processi biologici, gli autori introducono una parametrizzazione del tempo intrinseco. Una funzione di warping $\Phi(t)$ mappa il tempo fisico in un tempo intrinseco $\tau$, che rappresenta la lunghezza d'arco cumulativa della traiettoria nello spazio di Wasserstein. Un kernel stazionario è applicato in questo dominio trasformato, inducendo efficacemente un kernel non stazionario nel tempo fisico che si adatta alle velocità locali di cambiamento della distribuzione.

5. Politica di Acquisizione:
   Il framework utilizza una funzione di acquisizione per selezionare il prossimo tempo di misurazione $t^*$. La politica seleziona iterativamente $t^*$ per massimizzare il guadagno di informazione, mirando specificamente alle regioni di alta incertezza epistemica nel dominio del tempo intrinseco. Sono proposte due strategie di acquisizione: l'incertezza puntuale (massimizzazione della traccia della covarianza del posteriore) e la riduzione del rischio integrato atteso.

Contributi Chiave

• Concettuale: Il documento formula il problema dell'apprendimento attivo per traiettorie a valore di misura, estendendo l'esperimentazione attiva dagli spazi euclidei allo spazio delle misure di probabilità.
• Tecnico: Costruisce un surrogato probabilistico trattabile nello spazio di Wasserstein combinando il Trasporto Ottimale Linearizzato con i Processi Gaussiani Multi-Output. Questa combinazione consente la quantificazione dell'incertezza epistemica sui cammini di probabilità, una capacità assente nei precedenti metodi di interpolazione di distribuzione.
• Empirico: Gli autori dimostrano che la loro strategia di acquisizione supera i baseline privi di incertezza (campionamento Uniforme e Casuale) sia su dataset sintetici che mimano eventi di ramificazione, sia su dati reali di trascrittomica a singola cellula.

Risultati

• Dati Sintetici: Su un dataset sintetico con dinamiche non stazionarie ed eventi di ramificazione, la strategia attiva ha superato costantemente i baseline Uniforme e Casuale, particolarmente con budget bassi o moderati. Il metodo ha avuto successo nel concentrare le misurazioni nelle regioni ad alta velocità (eventi di ramificazione), riducendo l'Errore Wasserstein Medio e l'errore pesato sulla velocità. L'analisi di sensibilità ha mostrato che il metodo è più efficace quando gli eventi di ramificazione sono altamente localizzati.
• Dati Reali: Applicato a un dataset di riprogrammazione a singola cellula (fibroblasti di topo verso iPSC), la strategia attiva ha ottenuto l'errore di ricostruzione più basso nel regime di budget basso-moderato ($B \le 12$). Il vantaggio è diminuito all'aumentare del budget e quando il campionamento diventava denso, confermando l'utilità del metodo in scenari con risorse limitate.
• Studi di Ablazione: Rimuovere il warping del tempo intrinseco ha degradato le prestazioni, validando la necessità della modellazione non stazionaria. Ridurre la dimensione latente ($K=2$) ha causato cali significativi delle prestazioni, evidenziando la necessità di una dimensionalità sufficiente per catturare variazioni complesse. Fissare la misura di riferimento (anziché usare il baricentro) ha aumentato l'errore, sottolineando l'importanza di minimizzare l'errore di linearizzazione.

Significatività e Rivendicazioni
Il documento afferma che il suo contributo principale è abilitare l'apprendimento attivo nello spazio delle misure risolvendo i problemi duali della geometria non euclidea e della mancanza di quantificazione dell'incertezza. Sfruttando LOT e GP, il framework fornisce un meccanismo pratico per selezionare i tempi di misurazione ottimali al fine di minimizzare l'incertezza nel cammino di probabilità ricostruito.

Gli autori segnalano alcune limitazioni: l'approccio si basa su un'approssimazione dello spazio tangente, che può introdurre errori sotto grandi spostamenti distribuzionali, e il costo computazionale è dominato dalle subroutine di Trasporto Ottimale, rendendolo pratico per il regime previsto (fino a $\sim 10^5$ campioni per istantanea) ma potenzialmente problematico per dataset da un milione di punti senza ulteriori approssimazioni scalabili. Si suggerisce come lavoro futuro l'esplorazione di strumenti di geometria riemanniana (multipli chart) e input multidimensionali.