Sintesi Tecnica: Bi-filtrazioni p-adiche per il Machine Learning Topologico su Sequenze Genomiche

Definizione del Problema

L'analisi genomica comparativa richiede la classificazione degli organismi, l'identificazione di varianti e la ricostruzione delle relazioni evolutive. Sebbene i metodi classici basati sull'allineamento (es. MAFFT, MUSCLE) siano efficaci per sequenze strettamente correlate, scalano scarsamente con la lunghezza e la divergenza. I metodi alignment-free (es. frequenza dei k-mer, Natural Vector, MinHash) affrontano la scalabilità ma trattano tipicamente i k-mer come feature indipendenti, scartando le relazioni strutturali e gerarchiche inerenti ai codici genetici. Inoltre, recenti approcci di analisi dei dati topologici (TDA) in genomica si sono ampiamente basati su distanze basate su frequenza o sketch, potenzialmente trascurando la struttura aritmetica gerarchica delle sequenze biologiche. Viceversa, i modelli p-adici sono stati utilizzati per codificare le sequenze biologiche sulla base di proprietà ultrametriche, ma non sono ancora stati combinati con l'omologia persistente simpliciale per compiti di classificazione.

Metodologia: Il framework pVR

Gli autori introducono pVR, un framework alignment-free che integra la teoria dei numeri p-adici con l'analisi dei dati topologici. L'innovazione principale è un complesso di Vietoris–Rips (VR) bi-filtrato parametrizzato da due metriche di distanza complementari derivate da ciascuna sequenza di DNA:

1. Asse Gerarchico (Distanza p-adica, $D_p$):

   • I nucleotidi sono mappati come cifre in $\mathbb{Z}_p$ (specificamente $p=5$ per il DNA).
   • I k-mer sono codificati come interi p-adici, dove il primo nucleotide corrisponde alla cifra di ordine inferiore.
   • La distanza tra i k-mer è definita dalla metrica p-adica, dove le sequenze che condividono un lungo prefisso comune sono "vicine".
   • A livello di sequenza, $D_p$ è una distanza $L_1$ pesata tra istogrammi multi-scala di residui p-adici, catturando la struttura del prefisso gerarchico.

2. Asse Composizionale (Distanza Composizionale, $D_c$):

   • Questa è la standard distanza $L_1$ tra vettori di frequenza dei k-mer normalizzati.
   • Cattura il contenuto locale della sequenza senza considerare posizione o gerarchia.

La Bi-filtrazione:
Invece di applicare l'omologia persistente a un singolo spazio metrico, pVR costruisce un complesso VR bi-filtrato $VR(\epsilon_p, \epsilon_c)$. Un simplesso esiste in questo complesso solo se la distanza a coppie tra i suoi vertici soddisfa entrambi i valori di soglia: $d_p(x,y) \le \epsilon_p$ e $d_c(x,y) \le \epsilon_c$.

Estrazione delle Feature:
Dalla griglia di bi-filtrazione, il framework estrae:

• Profili di Grado (Degree Profiles): Il numero di vicini per ogni vertice di sequenza in ogni punto della griglia, catturando l'evoluzione della connettività locale.
• Numeri di Betti Globali: $\beta_0$ (componenti connesse) e $\beta_1$ (cicli/loop) per l'intero complesso ad ogni soglia.
• Feature Statiche: Istogrammi p-adici concatenati e vettori di frequenza dei k-mer.
  Queste feature vengono fornite a classificatori standard (XGBoost, SVM, 5-NN).

Contributi Chiave

Contributi Teorici

Il documento stabilisce quattro risultati strutturali:

1. Trivialità della Topologia Ultrametrica a Singolo Asse: Gli autori dimostrano (Teorema 5) che i complessi di Vietoris–Rips costruiti da spazi finitamente strettamente ultrametrici hanno omologia banale in tutte le dimensioni positive ($H_k = 0$ per $k \ge 1$). Ciò spiega perché un singolo asse p-adico da solo non può catturare caratteristiche topologiche di ordine superiore (loop).
2. Non-trivialità della Bi-filtrazione: Dimostrano (Proposizione 8) che accoppiare una distanza strettamente ultrametrica con una metrica composizionale può recuperare l'omologia non banale (specificamente cicli di dimensione 1) che è invisibile a una singola filtrazione.
3. Stabilità: La bi-persistenza risultante è dimostrata essere stabile rispetto alle perturbazioni metriche (Proposizione 11), garantendo robustezza al rumore.
4. Invarianza rispetto al Primo: Le feature sono invarianti rispetto alla scelta del numero primo $p$ (a condizione che $p \ge |\Sigma| + 1$), eliminando la selezione del primo come iperparametro (Proposizione 12).

Nota: Gli autori chiariscono che, sebbene le prove teoriche assumano l'ultrametricità stretta, la distanza a livello di sequenza $D_p$ implementata è solo approssimativamente ultrametrica. Tuttavia, i risultati empirici confermano il comportamento previsto in cui la filtrazione p-adica a singolo asse produce una topologia banale, mentre la bi-filtrazione recupera la struttura.

Contributi Empirici

• Performance su Dati a Basso Campione: Su sei benchmark a basso campione (28–150 sequenze), pVR supera quattro baseline alignment-free consolidate (FFP-JS, NVM, MinHash, frequenza dei k-mer) su tre dataset (Ebola, Influenza HA, Mitocondriale Mammifero).
  • Ebola: pVR-SVM ha raggiunto un'accuratezza del 100.0%, un guadagno di 21.1 punti percentuali rispetto alla migliore baseline (MinHash al 78.9%).
  • Influenza HA: pVR ha ottenuto il 72.5% rispetto al 62.2% di FFP-JS.
  • Mammifero: pVR ha ottenuto il 62.0% rispetto al 53.9% di FFP-JS.
• Confronto con i Modelli di Fondazione: Su tre benchmark a basso campione, pVR ha superato le embedding zero-shot del Nucleotide Transformer v2 da 500M di parametri del 6.7 ai 11.4 punti percentuali.
• Regime ad Alto Campione: Su sei dataset ad alto campione (fino a 500 sequenze), le performance di tutti i metodi saturano (prevalentemente 96–100%), con pVR che rimane competitivo ma non supera significativamente le semplici baseline composizionali.
• Caso di Fallimento: pVR è stato meno performante sul benchmark delle varianti di SARS-CoV-2 (campione piccolo). Gli autori attribuiscono ciò al fatto che le varianti di SARS-CoV-2 divergono tramite mutazioni puntiformi sparse piuttosto che attraverso una profonda divergenza di clade gerarchica, violando l'assunto strutturale dell'asse p-adico.

Significato e Rivendicazioni

Il paper sostiene che pVR fornisce un metodo matematicamente fondato per incorporare prior strutturali gerarchici nel machine learning genomico. Il suo significato primario risiede nel dimostrare che:

1. I Prior Strutturali Contano: Nei regimi di dati scarsi, codificare la natura gerarchica della divergenza evolutiva (tramite numeri p-adici) combinata con il contenuto composizionale produce un bias induttivo superiore rispetto ai metodi puramente basati sulla frequenza o ai grandi modelli pre-addestrati.
2. Necessità Topologica della Bi-filtrazione: Il lavoro fornisce una giustificazione teorica del perché combinare una distanza ultrametrica con una non-ultrametrica sia necessario per estrarre caratteristiche topologiche non banali dai dati biologici.
3. Efficienza: Il metodo è computazionalmente efficiente, elaborando dataset fino a 500 sequenze in meno di 30 secondi su una workstation standard senza accelerazione GPU.

Gli autori concludono con modestia che il metodo è più efficace quando i dati sono scarsi e la divergenza è gerarchica (es. patogeni emergenti, specie rare). Riconoscono i limiti, notando che il metodo fatica quando la divergenza è guidata da mutazioni puntiformi (SARS-CoV-2) o ricombinazione (HEV), e che la complessità $O(N^3)$ del ciclo della griglia di bi-filtrazione diventa un collo di bottiglia per dataset molto grandi ($N > 500$).