Technische Samenvatting: p-adische Bi-filtraties voor Topologisch Machine Learning op Genomische Sequenties

Probleemstelling

Comparatieve genomische analyse vereist het classificeren van organismen, het identificeren van varianten en het reconstrueren van evolutionaire relaties. Hoewel klassieke alignment-gebaseerde methoden (bijv. MAFFT, MUSCLE) effectief zijn voor nauw verwante sequenties, schalen ze slecht met lengte en divergentie. Alignment-vrije methoden (bijv. k-mer frequentie, Natural Vector, MinHash) lossen de schaalbaarheid op, maar behandelen k-mers doorgaans als onafhankelijke kenmerken, waardoor de structurele en hiërarchische relaties die inherent zijn aan genetische codes verloren gaan. Bovendien hebben recente topologische data-analyse (TDA) benaderingen in de genomics grotendeels vertrouwd op frequentie-gebaseerde of sketch-gebaseerde afstanden, wat potentieel de hiërarchische aritmetische structuur van biologische sequenties mist. Daarentegen zijn p-adische modellen gebruikt om biologische sequenties te coderen op basis van ultrametrische eigenschappen, maar zijn ze nog niet gecombineerd met simpliciale persistente homologie voor classificatietaken.

Methodologie: Het pVR-raamwerk

De auteurs introduceren pVR, een alignment-vrij raamwerk dat p-adische getaltheorie integreert met topologische data-analyse. De kerninnovatie is een bi-gefilterd Vietoris–Rips (VR) complex geparametriseerd door twee complementaire afstandmetrieken afgeleid van elke DNA-sequentie:

1. Hiërarchische As (p-adische Afstand, $D_p$):

   • Nucleotiden worden in kaart gebracht naar cijfers in $\mathbb{Z}_p$ (specifiek $p=5$ voor DNA).
   • k-mers worden gecodeerd als p-adische gehele getallen, waarbij het eerste nucleotide overeenkomt met het cijfer van de laagste orde.
   • De afstand tussen k-mers wordt gedefinieerd door de p-adische metriek, waarbij sequenties die een lang gemeenschappelijk prefix delen, "dichtbij" liggen.
   • Op sequentieniveau is $D_p$ een gewogen $L_1$-afstand tussen multi-schaal histogrammen van p-adische residuen, wat de hiërarchische prefixstructuur vastlegt.

2. Compositionele As (Compositionele Afstand, $D_c$):

   • Dit is de standaard $L_1$-afstand tussen genormaliseerde k-mer frequentievectoren.
   • Het legt de lokale sequentie-inhoud vast zonder rekening te houden met positie of hiërarchie.

De Bi-filtratie:
In plaats van persistente homologie toe te passen op een enkele metriekruimte, construeert pVR een bi-gefilterd VR-complex $VR(\epsilon_p, \epsilon_c)$. Een simplex bestaat in dit complex alleen als de paargewijze afstand tussen de vertices aan beide drempelwaarden voldoet: $d_p(x,y) \le \epsilon_p$ en $d_c(x,y) \le \epsilon_c$.

Kenmerkextractie:
Uit de bi-filtratie-grid extraheert het raamwerk:

• Degree Profiles: Het aantal buren voor elk sequentie-vertex bij elk gridpunt, wat de evolutie van lokale connectiviteit vastlegt.
• Globale Betti-getallen: $\beta_0$ (verbonden componenten) en $\beta_1$ (lussen) voor het gehele complex bij elke drempelwaarde.
• Statische Kenmerken: Geconcateneerde p-adische histogrammen en k-mer frequentievectoren.
  Deze kenmerken worden gevoed aan standaard classifiers (XGBoost, SVM, 5-NN).

Belangrijkste Bijdragen

Theoretische Bijdragen

De paper stelt vier structurele resultaten vast:

1. Trivialiteit van Single-Axis Ultrametrische Topologie: De auteurs bewijzen (Theorem 5) dat Vietoris–Rips complexen gebouwd uit eindige, strikt ultrametrische ruimtes triviale homologie hebben in alle positieve dimensies ($H_k = 0$ voor $k \ge 1$). Dit verklaart waarom een enkele p-adische as alleen geen hogere-orde topologische kenmerken (lussen) kan vastleggen.
2. Niet-trivialiteit van Bi-filtratie: Ze bewijzen (Proposition 8) dat het koppelen van een strikt ultrametrische afstand met een compositionele metriek niet-triviale homologie (specifiek 1-cycli) kan terugbrengen die onzichtbaar is voor een van beide filtraties alleen.
3. Stabiliteit: De resulterende bi-persistentie module wordt bewezen stabiel te zijn onder metriek-perturbaties (Proposition 11), wat robuustheid tegen ruis garandeert.
4. Priemgetal-invariantie: De kenmerken zijn invariant voor de keuze van het priemgetal $p$ (mits $p \ge |\Sigma| + 1$), waardoor de keuze van het priemgetal als hyperparameter wordt geëlimineerd (Proposition 12).

Opmerking: De auteurs verduidelijken dat hoewel de theoretische bewijzen strikte ultrametriciteit veronderstellen, de geïmplementeerde sequentie-niveau afstand $D_p$ slechts benaderend ultrametrisch is. Echter, empirische resultaten bevestigen het voorspelde gedrag waarbij een enkele-as p-adische filtratie een triviale topologie oplevert, terwijl de bi-filtratie structuur herstelt.

Empirische Bijdragen

• Prestaties bij Lage Steekproefomvang: Op zes low-sample benchmarks (28–150 sequenties) presteert pVR beter dan vier gevestigde alignment-vrije baselines (FFP-JS, NVM, MinHash, k-mer frequentie) op drie datasets (Ebola, Influenza HA, Mammalian mitochondrial).
  • Ebola: pVR-SVM behaalde 100,0% accuratesse, een winst van 21,1 procentpunt ten opzichte van de beste baseline (MinHash op 78,9%).
  • Influenza HA: pVR behaalde 72,5% versus 62,2% voor FFP-JS.
  • Mammalian: pVR behaalde 62,0% versus 53,9% voor FFP-JS.
• Vergelijking met Foundation Models: Op drie low-sample benchmarks presteerde pVR beter dan zero-shot embeddings van de 500M-parameter Nucleotide Transformer v2 met 6,7 tot 11,4 procentpunt.
• Large-Sample Regime: In zes large-sample datasets (tot 500 sequenties) verzadigde de prestatie van alle methoden (meestal 96–100%), waarbij pVR competitief bleef maar niet significant beter presteerde dan eenvoudige compositionele baselines.
• Foutgeval: pVR presteerde minder goed op de SARS-CoV-2 variant benchmark (kleine steekproef). De auteurs wijten dit aan het feit dat SARS-CoV-2 varianten divergeren via verspreide puntmutaties in plaats van diepe hiërarchische clade-divergentie, wat de structurele aanname van de p-adische as schendt.

Betekenis en Claims

De paper claimt dat pVR een wiskundig gefundeerde methode biedt voor het incorporeren van hiërarchische structurele priors in genomische machine learning. De primaire betekenis ligt in het aantonen dat:

1. Structurele Priors Er Toe Doen: In scenario's met weinig data levert het coderen van de hiërarchische aard van evolutionaire divergentie (via p-adische getallen) gecombineerd met compositionele inhoud een superieure inductieve bias op vergeleken met puur frequentie-gebaseerde methoden of grote pre-trained modellen.
2. Topologische Noodzaak van Bi-filtratie: Het werk biedt een theoretische rechtvaardiging voor waarom het combineren van een ultrametrische afstand met een niet-ultrametrische afstand noodzakelijk is om niet-triviale topologische kenmerken uit biologische data te extraheren.
3. Efficiëntie: De methode is computationeel efficiënt en verwerkt datasets met tot 500 sequenties in minder dan 30 seconden op een standaard werkstation zonder GPU-acceleratie.

De auteurs concluderen bescheiden dat de methode het meest effectief is wanneer data schaars is en divergentie hiërarchisch is (bijv. opkomende pathogenen, zeldzame soorten). Ze erkennen beperkingen, waarbij ze opmerken dat de methode moeite heeft wanneer divergentie wordt gedreven door puntmutaties (SARS-CoV-2) of recombinatie (HEV), en dat de $O(N^3)$ complexiteit van de bi-filtratie-grid loop een bottleneck wordt voor zeer grote datasets ($N > 500$).