Sparse group principal component analysis via double thresholding with application to multi-cellular programs

Technische Samenvatting: Sparse Group Principal Component Analysis via Double Thresholding

Probleemstelling
Het artikel behandelt de uitdaging van het schatten van Multi-Cellular Programs (MCP's) uit hoogdimensionele single-cell RNA-sequencing (scRNA-seq) data. MCP's vertegenwoordigen gecoördineerde patronen van genexpressie over interagerende celtypen die biologische processen aansturen. Hoewel methoden zoals Sparse Principal Component Analysis (Sparse PCA) en latente factor-modellen veelgebruikt worden, kampen ze in deze context vaak met twee beperkingen:

1. Computationele Schaalbaarheid: Bestaande methoden die complexe sparsity-structuren afdwingen (bijv. convex relaxatie via Fantope-projecties) lijden vaak onder hoge computationele kosten ($O(p^3)$), wat ze onpraktisch maakt voor grootschalige genomische datasets waarbij het aantal genen ($p$) het aantal monsters ($n$) ver overstijgt.
2. Statistische Efficiëntie: Standaard Sparse PCA-methoden dwingen doorgaans alleen entry-wise sparsity af. Echter, de schatting van MCP's vereist het vastleggen van een hiërarchische sparsity-structuur:
   • Group-level sparsity: Slechts een klein subset van genen (groepen) neemt deel aan een specifieke MCP.
   • Within-group sparsity: Binnen een actief gen kan de expressie actief zijn in slechts een subset van de bijdragende celtypen.
     Bestaande methoden slagen er vaak niet in om deze duale structuur te benutten, wat leidt tot suboptimale convergentiesnelheden en een verminderde statistische kracht voor signaaldetectie.

Methodologie
De auteurs stellen Sparse Group Principal Component Analysis (SGPCA) voor, een algoritme dat is ontworgelegd voor het schatten van leidende principal componenten (PC's) onder hiërarchische sparsity.

• Model: De data wordt gemodelleerd met behulp van een low-rank spiked covariance model waarbij de loading vectoren hiërarchische sparsity vertonen. Elk gen wordt behandeld als een groep die expressiewaarden over $T$ celtypen bevat.
• Algoritme (Double-Thresholding): De kern van SGPCA is een aangepast power iteration-algoritme dat in elke iteratie een double-thresholding stap incorporeert:
  1. Group-wise Thresholding: Een block soft-thresholding operator wordt toegepast op gen-groepen op basis van hun $\ell_2$-normen. Dit identificeert actieve gen-groepen en brengt inactieve groepen terug naar nul.
  2. Entry-wise Thresholding: Voor de behouden groepen wordt een individuele soft-thresholding operator toegepast om specifieke actieve celtypen binnen die genen te selecteren.
  3. Deflatie: Om meerdere PC's te schatten, gebruikt het algoritme een deflatieprocedure om de invloed van eerder geschatte componenten te verwijderen.
• Initialisatie: Het algoritme gebruikt een aangepaste diagonale thresholding methode (ter uitbreiding van Johnstone en Lu, 2009) om een consistente initialisatie te bieden die zowel de group- als de entry-wise sparsity respecteert.
• Selectie van Tuning Parameters: In plaats van te vertrouwen op data-fitting of willekeurige sparsity-niveaus, stellen de auteurs een resampling-gebaseerd criterium voor, geïnspireerd door stability selection. Deze methode selecteert de thresholding parameters ($\eta$ voor groepen, $\tau$ voor entries) door de alignment (consistentie) van geschatte PC's over meerdere subsamples van de data te maximaliseren.

Belangrijkste Bijdragen

1. Computationele Efficiëntie: SGPCA bereikt een lineaire computationele complexiteit van $O(np)$ per iteratie. Dit is een significante verbetering ten opzichte van de $O(p^3)$ complexiteit van ADMM-gebaseerde methoden met Fantope-projecties (bijv. Xiao en Xiao, 2024), waardoor SGPCA schaalbaar is naar hoogdimensionele genexpressie-data.
2. Theoretische Garanties: Onder een spiked covariance model met hiërarchische sparsity, stellen de auteurs de statistische consistentie van de SGPCA-schatter vast. Ze leiden een convergentiesnelheid af die strikt sneller is dan concurrerende methoden (zoals Xiao en Xiao, 2024 en Ma, 2013) wanneer de hiërarchische structuur sterk is (d.w.z. wanneer het aantal actieve groepen klein is en de within-group sparsity hoog is). De foutmarge scheidt expliciet niet-parametrische fouten van group-level en within-group-level ruis.
3. Superieure Signaaldetectie: Door uitgebreide simulaties demonstreert het artikel dat SGPCA een hogere schattingsnauwkeurigheid (alignment met ware PC's) en een lagere Type I error (fout-positief percentage) bereikt in signaaldetectie vergeleken met standaard PCA en Sparse PCA (SPC).
4. Implementatie: De auteurs bieden een efficiënt, gebruiksvriendelijk R-pakket (SGPCA) dat het algoritme, de resampling-gebaseerde tuning procedure en tools voor het visualiseren van sparsity-patronen bevat.

Resultaten

• Simulaties: In settings met variërende groepsgroottes, sparsity-structuren (alleen groep versus groep + individueel) en meerdere spikes, presteerde SGPCA consequent beter dan standaard PCA en SPC.
  • SGPCA behield een hoge alignment met ware PC's naarmate de groepsgroottes toenamen, terwijl de prestaties van PCA en SPC verslechterden.
  • SGPCA bereikte de laagste Type I error, waarbij het fout-positieven effectief controleerde terwijl het een Type II error behield die vergelijkbaar is met andere methoden.
• Toepassing op Lupus Data: De methode werd toegepast op een Systemic Lupus Erythematosus (SLE) dataset met betrekking tot vier immuuncel-subtypes.
  • SGPCA identificeerde vier onderscheidende MCP's.
  • Met behulp van een debiased testing procedure vonden de auteurs dat PC1 en PC4 differentieel tot expressie kwamen tussen Lupus-patiënten en gezonde controles.
  • PC1 werd primair gedreven door CD8+ T-cellen en was verrijkt voor immuunactivatiepaden (bijv. leukocyte activation, immune effector processes), wat overeenkomt met bekende biologische dysregulatie bij Lupus.
  • De aanpak identificeerde succesvol genen die co-geëxprimeerd zijn over meerdere celtypen, wat de noodzaak onderstreept om zowel group- als individuele sparsity te modelleren.

Betekenis en Claims
Het artikel claimt dat SGPCA een statistisch gefundeerde en computationeel efficiënte oplossing biedt voor het schatten van MCP's. Door expliciet gebruik te maken van de hiërarchische sparsity die inherent is aan biologische data (genen die actief zijn in specifieke celtypen), bereikt de methode:

• Verbeterde Statistische Kracht: Betere detectie van ware signalen met minder fout-positieven vergeleken met methoden die de groepsstructuur negeren.
• Schaalbaarheid: Het vermogen om grootschalige genomische datasets aan te pakken waar eerdere hiërarchische methoden computationeel onhaalbaar waren.
• Biologische Relevantie: Het vermogen om gecoördineerde genexpressieprogramma's over celtypen heen te ontsluiten die biologisch betekenisvol en klinisch relevant zijn, zoals aangetoond in de Lupus-studie.

De auteurs merken op dat hoewel de methode wordt gemotiveerd door scRNA-seq, de onderliggende groep-gestructureerde sparsity toepasbaar is op andere domeinen met betekenisvolle groepsstructuren, zoals online retail data (categorieën en producten). Het artikel concludeert dat SGPCA een robuust kader biedt voor hoogdimensionele data-analyse waar hiërarchische sparsity aanwezig is.