Uncertainty-Aware Model Selection with a Calibrated Probability-Generating-Function-Based Bayesian Information Criterion

技術要約：較正されたPGF-BICによる不確実性を考慮したモデル選択

問題提起
シングルセルRNAカウントデータから確率的な遺伝子発現モデルを選択する際には、適合度の良さとメカニズム的な複雑さのバランスを取る必要がある。確率生成関数（PGF）に基づくベイズ情報量基準（PGF-BIC）は、カウント分布の完全な再構成を行うことなくモデルを比較するための計算効率の高い手法を提供するが、その従来の実装はゼロ閾値ルールに依存している。このルールは、より複雑なモデルのペナルティ付きスコアがより単純なモデルよりも低い場合に、その複雑なモデルを選択するというものである。しかし、このアプローチは、適合スコアの差におけるサンプリング不確実性を考慮できていない。有限のサンプルにおいて、経験的PGFおよび推定された共分散重みの変動は、複雑なモデルに対して（実際には区別がつかないにもかかわらず）見かけ上のスコア上の優位性を生み出し、不必要に複雑なモデルを過剰に選択させる原因となる。

手法
著者らは、固定されたゼロのカットオフをデータ駆動型の閾値に置き換える不確実性を考慮したPGF-BICルールを提案している。この手法は以下の技術的ステップを通じて進行する：

1. スコアの分解： 複雑なモデル（$M_2$）とより単純なモデル（$M_1$）の間のペナルティ付きスコアの差（$\Delta_n$）を、決定論的なペナルティ項と、最小化された適合距離の差を表す確率的項へと分解する。この確率的成分は、経験的PGFと推定された共分散重みの共同の変動から生じる。
2. Cantelliの不等式による閾値定式化： 誤った選択の確率を制御する選択マージンを決定するために、著者らはCantelliの一側不等式を採用している。これにより、スコア差の標準偏差を用いた形式で表現される閾値を導出することが可能となり、複雑なモデルが真の母集団レベルでの優位性を持たない場合に、そのモデルを選択してしまう確率を目標水準 $\alpha$ で抑えることができる。
3. 影響関数解析： 再サンプリング（ブートストラップ法など）を行わずに必要なサンプリング変動の規模を推定するために、著者らは影響関数を利用している。適合されたスコアの差をデータ分布の汎関数として扱うことで、一次のテイラー展開を導出している。これにより、サンプリング変動を細胞ごとの寄与（$\psi(X_i)$）の和として表現する形式が得られる。
4. 分散推定： 影響関数の和の分散を推定することで、スコア差の標準偏差を定量化する。この推定値は、経験的PGFと推定された共分散重みの両方の変動を考慮している。
5. 選択ルール： スコアの優位性が計算された閾値を超えた場合（$\Delta_n > c_{n,\alpha}$）にのみ、複雑なモデルを選択する。ここで、$c_{n,\alpha}$ は推定された標準偏差と目標エラー率から導出される。

主な貢献

• 較正された決定ルール： 従来の「低いスコアが勝つ」というバイナリのアプローチを超え、モデル選択の決定にサンプリング不確実性を組み込んだ、修正されたPGF-BICルールを導入した。
• 解析的な分散推定： 影響関数を用いた新しい導出により、PGF-BICスコア差のサンプリング変動に関する一次の記述を提供した。これにより、再サンプリングや追加の最適化といった計算コストをかけることなく、データ駆動型の閾値を計算することが可能となる。
• 効率性の維持： この較正は、既存のモデル適合を利用し、カウント分布の完全な再構成や繰り返しの尤度評価を必要としないため、元のPGF-BICフレームワークの計算効率を維持している。

結果
著者らは、ポアソンモデル（単純）とバーストモデル（より複雑）を比較するベンチマークを用いて、提案手法の検証を行った。ここで、ポアソン分布はバースト分布の境界極限となっている。

• シミュレーションの知見： ポアソンモデルによって生成されたデータを用いたシミュレーションにおいて、従来のPGF-BICルールは頻繁に、より複雑なバーストモデルを選択した（誤った選択率は、$n=100$ で約70%、$n=1000$ で約35%であった）。
• 較正の性能： 不確実性を考慮したルールは、さまざまなサンプルサイズ（$n=100, 500, 1000$）において、複雑なモデルの誤った選択率を大幅に減少させた。較正された閾値は、真のモデルの優位性と、サンプリングノイズによる変動を効果的に区別することに成功した。

意義と主張
本論文は、提案された較正が、シングルセルデータの文脈における標準的なモデル選択基準の決定的な限界、すなわち、有限のサンプルにおける再現可能な適合の優位性とノイズに起因するアーティファクトを区別できないという問題に対処していると主張している。スコアの不確実性を定量化することで、本手法は遺伝子発現モデルの過学習を防ぐ。著者らは、このアプローチが、再サンプリングや追加の最適化ステップを必要とすることなく、大規模なシングルセルデータの解析に必要な計算の扱いやすさを維持しながら、モデル選択に不確実性の定量化を統合していることを強調している。