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

기술 요약: 오케스트레이션된 근사 메시지 전달(Orchestrated Approximate Message Passing)을 통한 다중 양식 데이터 통합 및 교차 양식 쿼리

문제 정의
본 논문은 동일한 샘플 세트에서 여러 보완적인 특징 집합이 측정되는 다중 양식 데이터(예: 전사체, 표면 단백질, 염색질 접근성의 동시 측정과 같은 단일 세포 멀티오믹스 연구에서 흔히 나타나는 시나리오)를 통합하는 과제를 다룹니다. 저자들은 이를 $m$개의 고차원 데이터셋($X_h \in \mathbb{R}^{N \times p_h}$)과 $\tilde{m}$개의 저차원 데이터셋($\tilde{X}_\ell \in \mathbb{R}^{N \times r_\ell}$)을 포함하는 의존적 다요인 문제(dependent multifactor problem)로 모델링합니다.

관측된 행렬들의 신호 성분은 저차원 구조로부터 기인한다고 가정됩니다. 구체적으로, 고차원 신호는 $X_h = \frac{1}{\sqrt{N}} U_h D_h V_h^\top + W_h$로, 저차원 신호는 $\tilde{X}_\ell = \tilde{U}_\ell L_\ell^\top + \tilde{W}_\ell$로 모델링됩니다. 결정적으로, 서로 다른 양식에 걸친 동일 피험자의 잠재 요인 벡터($U_h$ 및 $\tilde{U}_\ell$)는 결합 사전 분포 $\mu$로부터 추출된 의존성을 가진다고 가정합니다. 목표는 두 가지입니다:

1. 데이터 통합: 관측된 노이즈가 포함된 행렬들로부터 잠재 신호($U_h, V_h, \tilde{U}_\ell$)를 공동으로 복구합니다.
2. 교차 양식 쿼리(Cross-Modal Querying): 일부 양식 및/또는 양식 내 일부 특징만을 관찰한 새로운 "쿼리" 피험자가 주어졌을 때, 해당 피험자의 전체 잠재 표현에 대한 통계적으로 유효한 예측 집합(prediction set)을 구축합니다.

WNN, MOFA+, totalVI와 같은 기존 방법들은 일반화에 대한 엄격한 수학적 기초가 부족한 휴리스틱에 의존하며, 결정적으로 예측에 대한 불확정성 정량화(uncertainty quantification)를 제공하지 못한다는 점이 지적되었습니다.

방법론: OrchAMP
저자들은 통계적으로 최적인 신호 복구를 달성하고 예측 집합을 구축하기 위해 설계된 완전 데이터 기반 알고리즘인 **Orchestrated Approximate Message Passing (OrchAMP)**를 제안합니다.

1. 초기화: 알고리즘은 관측된 데이터 행렬의 특이값 분해(SVD)를 통해 초기 잠재 요인 추정치를 얻는 것으로 시작합니다. 그 후, 경험적 베이즈(Emppsilon-Bayes) 접근 방식을 사용하여 잡음 파라미터(신호 강도 및 공분산 구조)를 추정하고 경험적 사전 분포($\hat{\mu}$ 및 $\hat{\nu}_h$)를 학습합니다.
2. 반복적 정교화: OrchAMP는 여러 "궤도(orbit)"(각 양식에 대한 하나)에 대해 동기식 업데이트를 수행합니다. 각 반복 단계 $t$에서:
   • 디노이징(Denoising): 알고리즘은 현재의 추정치와 학습된 사전 분포를 바탕으로 잠재 요인의 조건부 기댓값인 행 단위 디노이저($u_{t,h}$ 및 $v_{t,h}$)를 적용합니다. 이 디노이저는 모든 양식의 정보를 동시에 통합합니다.
   • 상태 진화(State Evolution): 알고리즘은 재귀적으로 진화하는 상태 진화 파라미터($\Sigma, S$)를 사용하여 추정치의 점근적 분포를 추적합니다.
   • 온사거 보정(Onsager Correction): 추정치가 고차원 극한에서 독립적인 가우시안 노이즈처럼 동작하도록 보장하기 위해, 알고리즘은 현재 업데이트에서 디노이저의 자코비안(Jacobian)을 포함하는 항을 차감하는 온사거 보정을 수행합니다.
3. 예측 집합 구축: 부분적인 관찰값이 있는 쿼리 피험자에 대해, 방법은 최소 제곱법과 학습된 아틀라스를 사용하여 잠재 요인의 점 추정치를 먼저 계산합니다. 그 다음, OrchAMP 반복의 점근적 정규성을 활용하여 쿼리 피험자의 잠재 요인에 대한 조건부 분포를 정의합니다. 예측 집합은 점 추정치를 중심으로 하는 $\ell_2$ 구(ball)로 구축되며, 이 구의 반지름은 조건부 분포 하에서의 유클리드 거리의 $(1-\alpha)$ 분위수에 의해 결정되어 점근적 유효성을 보장합니다.

주요 기여

1. OrchAMP 알고리즘: 의존적 다중 양식 요인 모델에서 통합적 추정을 위한 완전 데이터 기반 알고리즘을 제안합니다. 이 방법은 양식마다 다른 신호 랭크를 처리하며, 통합 과정에서 양식별 정보를 파괴하지 않고 포함합니다.
2. 이론적 정당성:
   • 점근적 정규성: 저자들은 광범위한 사전 분포에 대해 일반적인 조건 하에서 모든 알고리즘 반복의 "대규모 $N$" 점근적 정규성을 입증합니다.
   • 베이즈 최적성: 상태 진화의 유일한 고정점 조건 하에서, 추정치는 점근적 베이즈 최적성(평균 제곱 오차 최소화)을 달성함을 보여줍니다.
   • 예측 집합: 본 논문은 다중 양식 환경에서 쿼리 피험자를 위한 점근적으로 유효한 예측 집합을 구축하는 최초의 사례를 제공합니다. 이 집합은 유일한 고정점 조건이 충족되지 않는 경우에도 유효성을 유지합니다.
3. 경험적 검증: 제안된 방법은 합성 데이터와 실제 세계의 단일 세포 TEA-seq 데이터(전사체, 에피토프, 염색질 접근성)를 통해 검증되었습니다.

결과

• 합성 데이터: 시뮬레이션에서 OrchAMP는 신호 대 잡음비(SNR)가 낮거나 양식 간 의존성($\rho$)이 높을 때 별도의 경험적 베이즈 PCA(EB-PCA) 및 표준 SVD보다 우수한 성능을 보였습니다. 성능 향상은 특히 신호가 약한 양식에서 두드러졌으며, 이는 양식 간의 힘을 빌려오는(borrowing strength) 이점을 입증합니다.
• 예측 커버리지: 유한 샘플 실험에서, 구축된 95% 예측 집합은 명목 수준(예: 0.92–0.98)에 근접한 경험적 커버리지 확률을 달성하여, 방법이 잘 보정된 불확정성 정량화를 제공할 수 있음을 보여주었습니다.
• 실제 데이터 (TEA-seq): 인간 PBMC 데이터셋에 대해, OrchAMP는 Seurat WNN 및 MOFA+와 같은 최첨단 방법들과 대등한 클러스터링 성능(실루엣 점수, V-measure, ARI 및 cLISI로 측정)을 달성했습니다.
• 쿼리 수행: 단일 양식으로만 측정된 세포를 사용하여 구축된 아틀라스를 쿼리했을 때, 생성된 예측 집합은 매우 정보가 풍부한 것으로 나타났습니다. 즉, 단순히 거친 레이블을 제공하는 것이 아니라 일반적으로 올바른 세포 유형 클러스터의 특정 부분집합을 차지했습니다.

의의 및 주장
본 논문은 휴리스틱 접근 방식을 넘어, 다중 양식 데이터 통합을 위한 엄격한 통계적 프레임워크를 제공한다고 주장합니다. 주요 의의는 다음과 같습니다:

• 이론적 보장: 정형화되었으나 현실적인 의존적 저차원 신호 모델 하에서 증명 가능한 성능 보장과 점근적 최적성을 제공합니다.
• 불확정성 정량화: 부분적인 관찰을 가진 새로운 피험자에 대해 점근적으로 유효한 예측 집합을 생성할 수 있는 최초의 아틀라스 구축 방법을 제공하며, 이는 레이블 전이(label transfer) 관행에서 불확실성이 거의 정량화되지 않는다는 비판적 격차를 해소합니다.
• 일반성: 단일 세포 멀티오믹스에서 동기를 얻었으나, 제안된 모델과 이론은 여러 데이터 소스에 걸친 의존적 저차원 신호가 포함된 모든 상황에 일반적이며 적용 가능합니다.

저자들은 자신들의 방법이 기존 도구들의 세포 분리 능력을 대등하게 구현하면서도, 불확정성이 정량화된 교차 양식 쿼리로 나아가는 이론적으로 정당한 경로를 독보적으로 제공한다는 점을 강조합니다.