Composition as Direction: An Active-Set Ray-Based Model for Sparse High-Dimensional Compositional Data

Sintesi Tecnica: Composizione come Direzione: Un Modello a Set Attivo Basato su Raggi per Dati Composizionali Sparsi ad Alta Dimensionalità

1. Definizione del Problema

I dati composizionali, prevalenti nella ricerca microbiologica, ecologica e ambientale, presentano quattro sfide simultanee: zeri esatti, dipendenza latente tra le componenti, alta dimensionalità e il vincolo della somma unitaria (chiusura del simplesso). Il vincolo della somma unitaria induce una geometria non euclidea in cui le proporzioni osservate competono, spesso oscurando o invertendo il segno delle associazioni latenti sottostanti guidate da fattori ambientali condivisi.

Gli approcci esistenti non riescono ad affrontare congiuntamente queste caratteristiche:

• Modelli di tipo Dirichlet impongono strutture di covarianza inflessibili legate alla media e non possono rappresentare arbitrarie correlazioni positive indotte da driver latenti condivisi.
• Modelli log-normali offrono flessibilità tramite trasformazioni log-ratio ma non sono definiti in presenza di zeri esatti, richiedendo sostituzioni ad hoc che confondono la presenza con la dominanza.
• Modelli Gaussiani Proiettati (ad esempio, l'Angular Gaussian ellitticamente simmetrico) preservano la struttura direzionale e gestiscono gli zeri, ma richiedono il condizionamento sull'ortante non negativo. Ciò richiede la valutazione di una probabilità dell'ortante dipendente dai parametri (la probabilità che un vettore gaussiano cada nell'ortante positivo), il che diventa computazionalmente proibitivo all'aumentare della dimensione $d$ a causa della divergenza esponenziale della varianza negli stimatori standard.

2. Metodologia: Il Framework Composizionale ARC (Active-Set Ray-Based)

Il framework ARC proposto riformula una composizione non come un punto sul simplesso, ma come la direzione osservata di un vettore di abbondanza latente con una magnitudo non osservata e un set attivo esplicitamente modellato.

Embedding Geometrico:
La composizione $u$ viene mappata nell'ortante non negativo dell'ipersfera unitaria $S^{d-1}_{0,+}$ tramite una trasformazione radice quadrata elemento per elemento $y = \sqrt{u}$. Questo preserva gli zeri esatti come punti di confine ($u_k=0 \iff y_k=0$) senza richiedere sostituzioni o regolarizzazioni.

Fattorizzazione del Set Attivo:
Il modello decompone la verosimiglianza in due processi distinti:

1. Il Processo del Set Attivo ($A_i$): Un processo discreto di presenza/assenza che governa quali componenti sono presenti ($y_{ik} > 0$). È modellato utilizzando una specifica di fattore probit con covariate e fattori latenti per catturare i pattern di co-occorrenza. Gli zeri strutturali sono trattati come un evento modellato piuttosto che come un disturbo.
2. La Sottocomposizione Positiva ($y^+_i$): Condizionatamente al set attivo $A_i$, la sottocomposizione positiva è modellata valutando una densità gaussiana latente lungo i raggi positivi dello spazio sottostante attivo.

Augmentation del Raggio Latente:
Un'innovazione chiave è l'introduzione di un raggio latente $r_i > 0$. Il vettore attivo latente è definito come $x^+_i = r_i y^+_i$.

• Il vettore $x^+_i$ segue una distribuzione multivariate Gaussiana $N(\mu^+_i, V_{A_i A_i})$ nello spazio attivo.
• I dati osservati $y^+_i$ sono la direzione di $x^+_i$.
• Trattando $r_i$ come una variabile ausiliaria, il modello valuta la densità gaussiana lungo il raggio osservato. Questa costruzione elimina la necessità della costante di normalizzazione dell'ortante (la probabilità che $x^+_i$ cada nell'ortante positivo) perché il condizionamento sul set attivo e la positività di $r_i$ assicurano che il supporto sia naturalmente ristretto all'ortante positivo per costruzione.

Struttura di Covarianza:
Per garantire la scalabilità in dimensioni elevate ($d \gg n$), la covarianza latente $V$ è parametrizzata utilizzando un modello a fattori a basso rango: $V = \Lambda\Lambda' + D$. Ciò riduce il numero di parametri da $O(d^2)$ a $O(dq + d)$ e consente il recupero di un'arbitraria dipendenza latente (positiva o negativa) sulla scala dell'abbondanza, distinta dalla scala composizionale.

Inferenza:
Il framework è implementato tramite un modello gerarchico bayesiano utilizzando MCMC. Il campionatore utilizza:

• Aggiornamenti del raggio latente (Metropolis 1D).
• Augmentation Albert-Chib per il modello del set attivo probit.
• Aggiornamenti condizionalmente gaussiani per fattori, coefficienti di regressione e carichi (loadings).
  Il costo computazionale per iterazione scala linearmente con $d$ per un rango di fattori fisso e set attivi sparsi, evitando il costo esponenziale della valutazione della probabilità dell'ortante.

3. Contributi Principali

L'articolo rivendica quattro contributi primari:

1. Proposta di Modello: Il modello ARC per dati composizionali sparsi e ad alta dimensionalità, derivando una verosimiglianza che tratta il raggio come una variabile latente ausiliaria.
2. Gestione degli Zeri Strutturali: Un'estensione agli zeri strutturali tramite una formulazione di set attivo che separa il processo presenza/assenza dalla sottocomposizione positiva, permettendo covariate e prior distinti per ciascuno.
3. Inferenza Trattabile: L'introduzione di una covarianza a fattori a basso rango accoppiata con un modello di set attivo probit, che produce aggiornamenti condizionalmente gaussiani scalabili ad alte dimensioni senza calcoli della probabilità dell'ortante.
4. Recupero Congiunto: Dimostrazione del fatto che il processo del set attivo e la dipendenza positiva latente possono essere recuperati congiuntamente su dati sparsi ad alta dimensionalità.

4. Risultati

Uno studio di simulazione con $n=350$ e dimensioni $d \in \{20, \dots, 1000\}$ sotto diversi regimi di sparsità e strutture di dipendenza (a blocchi e non strutturate) ha prodotto quanto segue:

• Recupero del Set Attivo: Il modello ha recuperato costantemente la struttura della co-occorrenza (AUC 0.83–0.86) e i tassi di co-attivazione a coppia (correlazione > 0.97) in tutte le dimensioni e i livelli di sparsità.
• Recupero della Dipendenza Latente: Il modello ha recuperato con successo la vera matrice di correlazione $R$ (correlazione tra correlazioni stimate e reali > 0.93, spesso > 0.99).
• Confronto con i Baseline: La correlazione empirica delle composizioni osservate (il "baseline osservato") non è riuscita a catturare la dipendenza latente, con correlazioni che sono scese fino a 0.21 in condizioni di alta sparsità. Ciò conferma che la chiusura del simplesso oscura severamente la dipendenza positiva latente, un segnale che il modello ARC recupera con successo.
• Scalabilità: Il metodo è rimasto stabile e accurato all'aumentare di $d$, beneficiando della "maledizione della dimensionalità invertita" (blessing of dimensionality), dove un maggior numero di componenti che caricano sugli stessi fattori affina la stima dello spazio sottostante condiviso.

5. Significato e Rivendicazioni

L'articolo posiziona il framework ARC come un avanzamento concettuale e computazionale per l'analisi dei dati composizionali.

• Riformulazione Concettuale: Riprogramma una composizione come la direzione osservata di un vettore di abbondanza latente. Questa separazione permette al modello di distinguere tra i meccanismi che governano la presenza (zeri strutturali, dispersione) e i meccanismi che governano la dominanza (competizione, driver condivisi).
• Superamento delle Barriere Computazionali: Evitando la costante di normalizzazione dell'ortante, il framework rende i modelli gaussiani proiettati fattibili in contesti ad alta dimensionalità dove i precedenti approcci basati sulla troncatura erano computazionalmente intrattabili.
• Utilità Scientifica: Il framework è particolarmente adatto a campi come il microbioma e l'ecologia, dove gli zeri esatti e le risposte positive condivise sono caratteristiche scientifiche centrali piuttosto che artefatti dei dati. Recupera la dipendenza alla "scala di abbondanza" che altrimenti sarebbe mascherata dal vincolo della somma unitaria, fornendo una rappresentazione più accurata dei processi biologici ed ecologici.

Gli autori osservano che, sebbene l'implementazione attuale utilizzi un rango di fattori fisso, il framework è compatibile con la selezione del rango adattiva (ad esempio, processi gamma moltiplicativi) e può essere esteso a contesti spaziali, spazio-temporali e di errore di rilevamento sfruttando la struttura gaussiana condizionale dei vettori attivi aumentati.