Tree-Structured Orthonormal Decomposition of the Aitchison Simplex

Sintesi Tecnica: Decomposizione Ortonormale a Struttura ad Albero del Simplesso di Aitchison

1. Definizione del Problema

I dati composizionali — vettori di componenti non negative la cui somma è costante (ad es., abbondanze microbiche, proporzioni di tipi cellulari) — risiedono nel simplesso di Aitchison. L'analisi standard si basa sulla geometria di Aitchison, dove l'inferenza si fonda su rapporti piuttosto che su valori assoluti. La trasformazione Isometric Log-Ratio (ILR) mappa questo simplesso in uno spazio tangente euclideo, fornendo un sistema di coordinate ortonormale.

Tuttavia, gli esistenti metodi ILR affrontano un limite critico quando trattano alberi politomi (nodi con più di due figli), che sono onnipresenti nelle gerarchie reali come tassonomie, filogenesi e ontologie.

• Incompatibilità Strutturale: Mentre gli alberi binari permettono una mappatura biunivoca tra nodi interni e contrasti log-ratio (bilanci), i nodi politomi richiedono $k-1$ contrasti ortogonali per catturare l'intera struttura locale di $k$ figli.
• Scelte Arbitrarie: Gli approcci attuali spesso costringono gli alberi politomi in risoluzioni binarie (ad es., PhILR), introducendo nodi e scissioni artificiali non presenti nella gerarchia originale. Ciò porta a sistemi di coordinate non canonici, instabili e dipendenti da scelte di binarizzazione arbitrarie.
• Geometria Incompleta: I metodi esistenti o ignorano la struttura gerarchica o non forniscono una base ortonormale canonica completa che rispetti l'intera struttura di ramificazione di alberi arbitrari senza sacrificare la proprietà isometrica della geometria di Aitchison.

2. Metodologia: PolyILR

Gli autori propongono PolyILR (Polytomous ILR), una decomposizione ortonormale canonica dello spazio tangente di Aitchison allineata con qualsiasi topologia ad albero radicato, incluse quelle politome.

Costruzione Core:

1. Geometria Locale nei Nodi Interni: Per ogni nodo interno $u$ con $k_u$ figli, il metodo definisce un sottospazio di contrasto locale $S_u \subset \mathbb{R}^{k_u}$ composto da vettori la cui somma è zero. Questo sottospazio cattura tutti i confronti relativi tra le $k_u$ clade discendenti.
2. Prodotto Interno Pesato: Per garantire che l'ortonormalità locale si estenda a quella globale, il metodo equipaggia $S_u$ con un prodotto interno pesato:
   $$\langle h, h' \rangle_w = \sum_{r=1}^{k_u} \frac{h_r h'_r}{n_r}$$
   dove $n_r$ è il numero di foglie nel sottotree del $r$-esimo figlio. Questa ponderazione tiene conto delle dimensioni disuguali dei sottotree, assicurando che la diffusione dei vettori locali ai vettori foglia globali preservi l'ortogonalità.
3. Selezione della Base Canonica: Gli autori utilizzano i contrasti di Helmert come punto di partenza deterministico per la base locale. Questi vengono poi ortonormalizzati sotto il prodotto interno pesato $\langle \cdot, \cdot \rangle_w$ tramite il processo di Gram-Schmidt. Ciò produce una base locale $\tilde{H}(u)$ univoca data una fissa ordinazione dei figli.
4. Diffusione Globale (Global Spreading): Ogni vettore della base locale viene "diffuso" allo spazio foglia globale $\mathbb{R}^d$. Se una foglia $i$ discende dal figlio $r$ del nodo $u$, il suo valore nel vettore globale è scalato da $1/n_r$. Questa specifica scalatura assicura che il prodotto interno globale di due vettori diffusi sia uguale al loro prodotto interno pesato locale.
5. Assemblaggio: La raccolta dei vettori diffusi da tutti i nodi interni forma la matrice di base globale $V \in \mathbb{R}^{d \times (d-1)}$.

Proprietà Teoriche:

• Isometria: La trasformazione $\phi(x) = V^\top \log x$ è un'isometria dal simplesso di Aitchison a $\mathbb{R}^{d-1}$.
• Proprietà di Contrasto: $V^\top \mathbf{1} = 0$, garantendo che le coordinate rappresentino rapporti logaritmici.
• Ortonormalità: $V^\top V = I_{d-1}$.
• Canonicità: Dato una fissa topologia dell'albero, etichette delle foglie e ordinazione dei figli, la base è univoca. Inoltre, la topologia dell'albero può essere recuperata dalla struttura di supporto delle colonne della base.

3. Contributi Chiave

1. Decomposizione Canonica: PolyILR fornisce la prima decomposizione ortonormale completa e canonica dello spazio tangente di Aitchison per topologie di alberi arbitrarie, risolvendo l'incompatibilità tra la geometria di Aitchison e le gerarchie politome.
2. Interpretabilità: Ogni coordinata nello spazio trasformato corrisponde biunivocamente a una specifica coppia nodo-contrasto nell'albero. Ciò permette di interpretare direttamente le caratteristiche come log-ratio tra gruppi specifici di foglie (clade) a qualsiasi risoluzione.
3. Stabilità: Evitando la binarizzazione arbitraria, PolyIL fornisce una selezione delle feature stabile. Al contrario, i metodi che richiedono la risoluzione binaria (come PhILR) producono set di feature instabili che variano significativamente in base alle scelte di binarizzazione.
4. Inferenza Multiscala: La costruzione consente test di ipotesi strutturati a molteplici risoluzioni (ad es., per profondità, sottotree o nodi specifici), poiché le coordinate in nodi distinti spaziano in sottospazi ortogonali.
5. Connessione Teorica con la Softmax: Gli autori stabiliscono un nuovo legame teorico tra lo spazio tangente di Aitchison e lo spazio logit dei classificatori softmax. Dimostrano che il quoziente dello spazio logit sotto equivalenza di shift è isomorfo allo spazio tangente di Aitchison, suggerendo che le coordinate PolyILR possano essere utilizzate per analizzare errori e gradienti di modelli in compiti di classificazione gerarchica.

4. Risultati Sperimentali

Gli autori hanno valutato PolyILR su benchmark standard di microbioma (HMP, cMD3) e singola cellula (DISCO).

• Validità della Rappresentazione: PolyILR, PhILR e CLR hanno prodotto prestazioni identiche per i modelli lineari (SVM, Regressione Logistica), confermando l'equivalenza geometrica (isometria). Le prestazioni di Random Forest sono variate moderatamente, coerentemente con la sensibilità alla scelta degli assi.
• Stabilità delle Feature: PolyILR ha dimostrato un'alta stabilità nella selezione delle feature (similarità di Jaccard tra le top-$K$ feature attraverso i fold di cross-validazione), mentre PhILR è crollato verso una stabilità vicina allo zero a causa dell'instabilità della binarizzazione arbitraria.
• Interpretabilità: Le principali feature identificate da PolyILR corrispondevano a contrasti biologicamente significativi coerenti con la letteratura esistente (ad es., Streptococcus vs. Lactococcus in siti orali; Prevotella vs. Bacteroides nella occidentalizzazione; squilibri mieloidi vs. eritroidi nella leucemia).
• Inferenza a Livello di Albero: L'aggregazione dell'importanza delle feature per profondità dell'albero, sottotree o nodi ha rivelato che i segnali predittivi si concentrano in livelli gerarchici specifici (ad es., contrasti a livello grossolano per la occidentalizzazione; contrasti a livello di cellule immunitarie per la leucemia), allineandosi con le note strutture biologiche.
• Robustezza: Un'analisi preliminare ha mostrato che PolyILR rimane stabile sotto rumore topologico (scambi di vicino-vicino), con solo cambiamenti locali ai vettori della base, a differenza della perturbazione globale causata dalla binarizzazione.

5. Significato e Rivendicazioni

Il paper sostiene che PolyILR affronti una lacuna fondamentale nell'analisi dei dati composizionali fornendo un sistema di coordinate geometricamente fondato, canonico e completo per dati organizzati da alberi arbitrari.

• Interpretabilità rispetto alle Prestazioni: L'obiettivo primario è l'interpretabilità della rappresentazione stessa. Ogni coordinata è un contrasto specifico basato sull'albero, eliminando la necessità di un'interpretazione post-hoc di indici anonimi.
• Generalizzazione: PolyILR generalizza PhILR (che è limitato agli alberi binari) a topologie arbitrarie senza sacrificare le proprietà isometriche della geometria di Aitchison.
• Ampia Applicabilità: La connessione con i classificatori softmax suggerisce che PolyILR potrebbe servire come strumento per analizzare modelli probabilistici gerarchici, potenzialmente localizzando gli errori del modello all'interno di una gerarchia di classi.

Gli autori riconoscono i limiti: PolyILR richiede un albero noto e fisso come input e non gestisce intrinsecamente l'incertezza topologica (ad es., il supporto bootstrap). Inoltre, come tutti i metodi log-ratio, richiede il pre-processing di sostituzione dello zero. Il paper pone questi punti come aree di lavoro futuro piuttosto che come fallimenti attuali.