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

Technische Samenvatting: Multimodale Dataintegratie en Cross-Modale Querying via Georkestreerde Benaderde Message Passing

Probleemformulering
Het artikel behandelt de uitdaging van het integreren van multimodale data waarbij meerdere complementaire feature-sets op dezelfde set monsters worden gemeten, een scenario dat veel voorkomt in single-cell multi-omics studies (bijv. gelijktijdige meting van transcriptoom, oppervlakte-eiwitten en chromatine-toegankelijkheid). De auteurs modelleren dit als een afhankelijk multifactor-probleem bestaande uit $m$ hoog-dimensionale datasets ($X_h \in \mathbb{R}^{N \times p_h}$) en $\tilde{m}$ laag-dimensionale datasets ($\tilde{X}_\ell \in \mathbb{R}^{N \times r_\ell}$).

De signaalcomponenten in deze matrices worden verondersteld te voort te komen uit laag-rang structuren die worden gedreven door latente factoren. De hoog-dimensionale signalen worden gemodelleerd als $X_h = \frac{1}{\sqrt{N}} U_h D_h V_h^\top + W_h$, en de laag-dimensionale signalen als $\tilde{X}_\ell = \tilde{U}_\ell L_\ell^\top + \tilde{W}_\ell$. Cruciaal is dat de latente factor-vectoren ($U_h$ en $\tilde{U}_\ell$) voor hetzelfde subject over verschillende modaliteiten heen als afhankelijk worden beschouwd, getrokken uit een gezamenlijke prior-verdeling $\mu$. Het doel is tweeledig:

1. Dataintegratie: Het gezamenlijk herstellen van de latente signalen ($U_h, V_h, \tilde{U}_\ell$) uit de verzameling ruisige matrices.
2. Cross-Modale Querying: Gegeven een nieuw "query"-subject met slechts gedeeltelijke observaties (een subset van modaliteiten en/of een subset van features binnen modaliteiten), een statistisch valide predictieset construeren voor de volledige latente representatie van het subject.

Bestaande methoden (bijv. WNN, MOFA+, totalVI) worden opgemerkt als afhankelijk van heuristieken die een gebrek hebben aan een rigoureuze wiskundige fundering voor generalisatie en, cruciaal, geen onzekerheidskwantificering bieden voor voorspellingen.

Methodologie: OrchAMP
De auteurs stellen Orchestrated Approximate Message Passing (OrchAMP) voor, een volledig data-gedreven algoritme ontworpen om statistisch optimale signaalherstel te bereiken en predictiesets te construeren.

1. Initialisatie: Het algoritme begint met een singular value decomposition (SVD) van de geobserveerde datamatrices om initiële schattingen van de latente factoren te verkrijgen. Vervolgens schat het nuisance-parameters (signaalsterktes en covariantiestructuren) en leert het de empirische priors ($\hat{\mu}$ en $\hat{\nu}_h$) via een Empirical Bayes-benadering.
2. Iteratieve Verfijning: OrchAMP voert synchrone updates uit over meerdere "orbits" (één voor elke modaliteit). In elke iteratie $t$:
   • Denoising: Het algoritme past rij-gewijze denoisers toe ($u_{t,h}$ en $v_{t,h}$) die de conditionele verwachtingen zijn van de latente factoren gegeven de huidige schattingen en de geleerde priors. Deze denoisers integreren informatie over alle modaliteiten simultaan.
   • State Evolution: Het algoritme volgt de asymptotische distributie van de schattingen met behulp van state evolution-parameters ($\Sigma, S$) die recursief evolueren.
   • Onsager Correctie: Om ervoor te zorgen dat de schattingen zich gedragen als onafhankelijke Gaussische ruis in de hoog-dimensionale limiet, trekt het algoritme termen die de Jacobiaan van de denoisers bevatten (Onsager-correcties) af van de huidige updates.
3. Constructie van Predictiesets: Voor een query-subject met gedeeltelijke observaties berekent de methode eerst een punt-schatting van de latente factoren met behulp van kleinste kwadraten en de geleerde atlas. Het maakt vervolgens gebruik van de asymptotische normaliteit van de OrchAMP-iteraties om een conditionele distributie voor de latente factoren van de query te definiëren. Een predictieset wordt geconstrueerd als een $\ell_2$-bal gecentreerd rond de punt-schatting, met een straal die wordt bepaald door de $(1-\alpha)$-kwantiel van de Euclidische afstand onder de conditionele distributie, wat zorgt voor asymptotische validiteit.

Belangrijkste Bijdragen

1. OrchAMP Algoritme: De voorstel van een volledig data-gedreven algoritme voor de integratieve schatting van signaalcomponenten in afhankelijke multimodale factor-modellen. De methode handelt variërende signaal-rangen over modaliteiten af en incorporeert modaliteit-specifieke informatie zonder deze tijdens integratie te vernietigen.
2. Theoretische Rechtvaardiging:
   • Asymptotische Normaliteit: De auteurs vestigen de "grote $N$" asymptotische normaliteit van alle algoritme-iteraties onder algemene condities voor een breed scala aan priors.
   • Bayes Optimaliteit: Onder een unieke-fixed-point conditie op de state evolution, worden de schatters getoond de asymptotische Bayes-optimaliteit te bereiken (minimaliseren van de gemiddelde kwadratische fout).
   • Predictiesets: Het artikel biedt de eerste constructie van asymptotisch valide predictiesets voor query-subjects in een multimodale setting. Deze sets blijven valide, zelfs als de unieke-fixed-point conditie niet wordt voldaan.
3. Empirische Validatie: De methode wordt gevalideerd op synthetische data en real-world single-cell TEA-seq data (transcriptoom, epitopen, chromatine-toegankelijkheid).

Resultaten

• Synthetische Data: In simulaties presteert OrchAMP beter dan afzonderlijke empirische Bayes PCA (EB-PCA) en standaard SVD, vooral wanneer de signaal-ruisverhouding (SNR) laag is of wanneer de inter-modaliteit afhankelijkheid ($\rho$) hoog is. De prestatiewinst is het meest uitgesproken voor modaliteiten met zwakkere signalen, wat het voordeel van het lenen van kracht (borrowing strength) tussen modaliteiten aantoont.
• Predictie Dekking: In experimenten met eindige steekproeven bereikten de geconstrueerde 95% predictiesets empirische dekking waarden die dicht bij het nominale niveau lagen (bijv. 0,92–0,98), wat het vermogen van de methode aantoont om gekalibreerde onzekerheidskwantificering te bieden.
• Real Data (TEA-seq): Op een menselijke PBMC-dataset bereikte OrchAMP clustering-prestaties (gemeten via silhouette score, V-measure, ARI, en cLISI) die vergelijkbaar zijn met state-of-the-art methoden zoals Seurat WNN en MOFA+.
• Querying: Wanneer de geconstrueerde atlas wordt bevraagd met cellen die in slechts één enkele modaliteit zijn gemeten, bleken de resulterende predictiesets zeer informatief te zijn, waarbij ze doorgaans een specifieke subset van de correcte celtype-cluster bezetten in plaats van slechts een grove label te bieden.

Significantie en Claims
Het artikel claimt een rigoureus statistisch kader te bieden voor multimodale dataintegratie dat verder gaat dan heuristische benaderingen. De primaire significantie ligt in:

• Theoretische Garanties: Het bieden van bewijsbare prestatiegaranties en asymptotische optimaliteit onder een gestileerd maar realistisch afhankelijk multifactor-model.
• Onzekerheidskwantificering: Het is de eerste methode die atlases genereert die asymptotisch valide predictiesets toestaan voor nieuwe subjects met gedeeltelijke observaties, waarmee een kritiek gat in huidige label transfer praktijken wordt gedicht waar onzekerheid zelden wordt gekwantificeerd.
• Generaliteit: Hoewel gemotiveerd door single-cell multi-omics, is het voorgestelde model en de theorie algemeen en toepasbaar op elke setting die betrokken is bij afhankelijke laag-rang signalen over meerdere databronnen.

De auteurs benadrukken dat hoewel hun methode de cel-segregatie capaciteiten van bestaande tools evenaart, zij uniek een theoretisch rechtvaardigbaar pad biedt naar cross-modale querying met gekwantificeerde onzekerheid.