Multimodal data integration and cross-modal querying via orchestrated approximate message passing

技術要約：オーケストレーションされた近似メッセージパッシングによるマルチモーダル・データ統合とクロスモーダル・クエリイング

問題の定式化
本論文は、同一のサンプルに対して複数の相補的な特徴量セットが測定される（例：トランスクリプトーム、表面タンパク質、クロマチンアクセシビリティの同時測定）シングルセル・マルチオミクス研究で頻繁に見られるシナリオにおいて、マルチモーダル・データを統合するという課題に取り組んでいる。著者らは、これを $m$ 個の高次元データセット ($X_h \in \mathbb{R}^{N \times p_h}$) と $\tilde{m}$ 個の低次元データセット ($\tilde{X}_\ell \in \mathbb{R}^{N \times r_\ell}$) を含む、依存関係のあるマルチファクター問題としてモデル化している。

これらの行列における信号成分は、潜在因子によって駆動される低ランク構造に由来すると仮定されている。具体的には、高次元信号は $X_h = \frac{1}{\sqrt{N}} U_h D_h V_h^\top + W_h$ とモデル化され、低次元信号は $\tilde{X}_\ell = \tilde{U}_\ell L_\ell^\top + \tilde{W}_\ell$ とモデル化される。極めて重要な点は、異なるモダリティ間における同一被験者の潜在因子ベクトル ($U_h$ および $\tilde{U}_\ell$) が、結合事前分布 $\mu$ から描かれる依存関係にあると仮定されていることである。目的は以下の二点である：

1. データ統合： ノイズを含む行列の集合から、潜在信号 ($U_h, V_h, \tilde{U}_\ell$) を共同で復元すること。
2. クロスモーダル・クエリイング： 部分的な観測（一部のモダリティおよび/またはモダリティ内の一部の特徴量）のみを持つ新しい「クエリ」被験者に対し、その被験者の完全な潜在表現に対する統計的に妥当な予測集合を構築すること。

既存の手法（WNN、MOFA+、totalVIなど）は、一般化に関する厳密な数学的基礎を欠いたヒューリスティックに依存しており、決定的な欠点として、予測に対する不確実性の定量化を提供できないことが指摘されている。

手法：OrchAMP
著者らは、統計的に最適な信号復元を達成し、予測集合を構築するために設計された、完全データ駆動型のアルゴリズムである OrchAMP (Orchestrated Approximate Message Passing) を提案する。

1. 初期化： アルゴリズムは、観測されたデータ行列の特異値分解 (SVD) から開始し、潜在因子の初期推定値を得る。その後、経験的ベイズ法を用いて、妨害パラメータ（信号強度および共分散構造）を推定し、経験的事前分布 ($\hat{\mu}$ および $\hat{\nu}_h$) を学習する。
2. 反復的な精緻化： OrchAMP は、複数の「オービット」（各モダリティに対応）にわたって同期的な更新を実行する。各反復 $t$ において：
   • デノイジング（除去）： アルゴリズムは、現在の推定値と学習された事前分布に基づく条件付き期待値である行方向のデノイザー ($u_{t,h}$ および $v_{t,h}$) を適用する。これらのデノイザーは、すべてのモダリティの情報を同時に統合する。
   • 状態進化 (State Evolution)： アルゴリズムは、再帰的に進化する状態進化パラメータ ($\Sigma, S$) を用いて、推定値の漸近分布を追跡する。
   • オンサー補正 (Onsager Correction)： 推定値が高次元極限において独立なガウスノイズのように振る舞うことを保証するため、アルゴリズムは現在の更新から、デノイザーのヤコビアンを含む項（オンサー補正）を差し引く。
3. 予測集合の構築： 部分的な観測を持つクエリ被験者に対し、手法はまず最小二乗法と学習されたアトラスを用いて潜在因子の点推定値を計算する。次に、OrchAMP の反復の漸近正規性を利用して、クエリ被験者の潜在因子に対する条件付き分布を定義する。予測集合は、点推定値を中心とし、条件付き分布の下でのユークリッド距離の $(1-\alpha)$ 分位点を半径とする $\ell_2$ ボールとして構築され、漸近的な妥当性が保証される。

主な貢献

1. OrchAMP アルゴリズム： 依存関係のあるマルチファクターモデルにおける、統合的な推定のための完全データ駆動型アルゴリズムの提案。この手法は、モダリティ間で異なる信号ランクを扱い、統合の過程で情報を破壊することなくモダリティ固有の情報を組み込む。
2. 理論的正当化：
   • 漸近正規性： 幅広い事前分布に対し、一般的な条件下で、すべてのアルゴリズムの反復の「大きな $N$」における漸近正規性を確立している。
   • ベイズ最適性： 状態進化における一意な固定点条件の下で、これらの推定値は漸近的ベイズ最適性（平均二乗誤差の最小化）を達成することが示されている。
   • 予測集合： マルチモーダルな設定において、クエリ被験者のための漸近的に妥当な予測集合を構築する初めての手法を提供する。これらの集合は、一意な固定点条件が満たされない場合でも妥当性を維持する。
3. 実証的検証： 合成データおよび実世界のシングルセル TEA-seq データ（トランスクリプトーム、エピトープ、クロマチンアクセシビリティ）を用いて手法を検証している。

結果

• 合成データ： シミュレーションにおいて、OrchAMP は、特に信号対雑音比 (SNR) が低い場合や、モダリティ間の依存関係 ($\rho$) が高い場合に、個別の経験的ベイズ PCA (EB-PCA) や標準的な SVD を上回る性能を示した。性能の向上は、信号が弱いモダリティにおいて最も顕著であり、これはモダリティ間で情報を借りる（borrowing strength）ことの利点を示している。
• 予測カバレッジ： 有限サンプル実験において、構築された 95% 予測集合は、公称レベル（例：0.92–0.98）に近い経験的カバレッジ確率を達成し、手法が適切に較正された不確実性定量化を提供できることを示した。
• 実データ (TEA-seq)： ヒト PBMC データセットにおいて、OrchAMP は Seurat WNN や MOFA+ といった最先端の手法に匹敵するクラスタリング性能（シルエットスコア、V-measure、ARI、cLISI で測定）を達成した。
• クエリイング： 単一のモダリティのみで測定された細胞を用いて構築されたアトラスをクエリした際、得られた予測集合は非常に情報量が多く、単なる粗いラベルではなく、通常、正しい細胞型のクラスターの特定のサブセットを占めることが示された。

意義と主張
本論文は、ヒューリスティックなアプローチを超えた、マルチモーダル・データ統合のための厳密な統計的枠組みを提供することを主張している。その主な意義は以下の通りである：

• 理論的保証： 様式化されているが現実的な依存関係のあるマルチファクターモデルの下で、証明可能な性能保証と漸近的最適性を提供すること。
• 不確実性の定量化： 部分的な観測を持つ新しい被験者のための、漸近的に妥当な予測集合を生成できるアトラスを構築する初めての手法を提供すること。これは、不確実性がほとんど定量化されない現在のラベル転送の実践における決定的なギャップに対処するものである。
• 汎用性： シングルセル・マルチオミクスを動機としているが、提案されたモデルと理論は、複数のデータソースにわたる依存関係のある低ランク信号を含むあらゆる設定に適用可能である。

著者らは、自らの手法が既存のツールの細胞分離能力に匹敵する一方で、不確実性を定量化したクロスモーダル・クエリイングへの、理論的に正当化可能な経路を独自に提供していることを強調している。