Modeling Time-course Gene Expression Data through Bayesian Partition Functional Principal Component Analysis

Technische Samenvatting: Modellering van Tijdreeksgegevens van Genexpressie via Bayesian Partition Functional Principal Component Analysis

Probleemstelling
Hoge-dimensionale biomarkergegevens, zoals longitudinale genexpressieniveaus, vormen een dubbele uitdaging: het reduceren van dimensionaliteit en het gelijktijdig blootleggen van gedeelde temporele structuren en het kwantificeren van inter-individuele variabiliteit. Bestaande methoden pakken deze doelstellingen doorgaans afzonderlijk aan. Standaard Multivariate Functional Principal Component Analysis (MFPCA) gaat ervan uit dat alle variabelen een enkel onderliggend latent proces delen, een aanname die vaak onrealistisch is in hoge-dimensionale settings waar slechts subsets van variabelen gecoördineerde dynamiek vertonen. Daarentegen behandelen clustering-benaderingen variabelen vaak als onafhankelijk of falen ze in het expliciet modelleren van variabiliteit tussen individuen, wat leidt tot clusters die worden gedreven door idiosyncratische kenmerken van individuele subjecten in plaats van robuuste, gedeelde biologische patronen. Er is een gebrek aan een principieel kader dat variabelen gezamenlijk partitioneert in groepen op basis van gedeelde latente temporele processen en tegelijkertijd dimensionaliteitsreductie binnen die groepen uitvoert.

Methodologie
De auteurs introduceren Partition Functional Principal Component Analysis (PFPCA), een Bayesiaans hiërarchisch model dat variabelen gelijktijdig partitioneert in groepen die worden gedreven door gedeelde latente processen en tegelijkertijd MFPCA binnen elke groep uitvoert.

• Modelstructuur: Het model gaat ervan uit dat $p$ willekeurige functies (variabelen) zijn verdeeld in $Q$ latente groepen. Binnen een groep $q$ delen variabelen een gemeenschappelijke set van $L$ principale component-scores ($\zeta^{(q)}_i$), maar bezitten zij afwijkende gemiddelde functies en eigenfuncties. Het model maakt gebruik van een semi-parametrische regressie-aanpak, waarbij gemiddelde functies en eigenfuncties worden gerepresenteerd via O'Sullivan penalized splines.
• Inferentiestrategie: Gezien de hoge dimensionaliteit van de gegevens hebben de auteurs een mean-field variational Bayes (MFVB) algoritme ontwikkeld. Om de multimodaliteit van de posterieure verdeling aan te pakken en te voorkomen dat er geconvergeerd wordt naar slechte lokale modi, wordt dit gekoppeld aan een simulated annealing procedure (Annealed Mean-Field Variational Bayes of AMFVB).
• Parameterlering: Het framework bevat een mechanisme om het optimale aantal componenten ($Q$) en FPCA-componenten ($L$) direct uit de data te leren. Dit wordt bereikt door een conservatief groot initieel aantal componenten in te stellen en het effectieve aantal te selecteren op basis van de verklaarde variantie (gericht op 95% cumulatieve variantie) en het aantal niet-lege groepen in een overfitte mixture model.
• Post-verwerking: Om de uniciteit van de FPCA-decompositie te waarborgen, wordt een post-inferentie orthogonalisatieprocedure toegepast binnen elke groep met behulp van de variationele posterieure gemiddelden van scores en eigenfuncties.

Belangrijkste Bijdragen

1. Gezamenlijk Inferentiekader: PFPCA is de eerste benadering die variabelen-partities en latente functionele structuren gezamenlijk leert binnen een enkel Bayesiaans kader, wat informatieoverdracht tussen variabelen binnen groepen mogelijk maakt.
2. Schaalbaar Algoritme: De ontwikkeling van een schaalbaar AMFVB-algoritme maakt de analyse van hoge-dimensionale longitudinale gegevens mogelijk waarbij MCMC-methoden (bijv. Hamiltonian Monte Carlo) computationeel onhaalbaar zijn.
3. Automatische Modelselectie: De methode biedt een principiële manier om het aantal groepen en principale componenten te bepalen zonder te vertrouwen op externe modelselectiecriteria of vooraf gespecificeerde parameters.

Resultaten

• Simulatiestudies:
  • Nauwkeurigheid: In simulaties met 100 variabelen over 4 groepen presteerde PFPCA aanzienlijk beter dan een twee-staps baseline (Univariate FPCA gevolgd door K-medoids clustering). PFPCA herstelde de ware partitie in 27% van de replicaten, vergeleken met 1% voor de twee-staps baseline.
  • Estimatie: Gezamenlijke inferentie leidde tot nauwkeuriger herstel van individuele scores, eigenfuncties en gemiddelde functies vergeleken met univariate FPCA, met name in grote groepen waar informatie-uitwisseling effectief was.
  • Efficiëntie: Het variationele algoritme was orden van grootte sneller dan MCMC (minder dan 2 minuten versus meer dan 14 uur voor een kleine dataset), wat het geschikt maakt voor grootschalige toepassingen.
• Toepassing op Influenza-data:
  • Toegepast op longitudinale genexpressiedata van 17 individuen geïnfecteerd met H3N2 influenza, identificeerde PFPCA onderscheidende groepen genen.
  • Twee groepen vertoonden significante pathway-verrijking: "Thermogenesis" en "Influenza A".
  • Analyse van de "Influenza A"-groep toonde aan dat de eerste principale component-scores effectief onderscheid maakten tussen symptomatische en asymptomatische individuen.
  • Het model identificeerde dat verschillen in de evolutie van genexpressie tussen symptomatische en asymptomatische individuen pas in latere stadia van infectie ontstonden, en niet direct na inoculatie.

Betekenis en Claims
Het artikel claimt dat PFPCA een robuuste oplossing biedt voor het extraheren van biologische inzichten uit hoge-dimensionale longitudinale data door de beperkingen van bestaande methoden aan te pakken die ofwel de groepsstructuur negeren, ofwel de inter-individuele variabiliteit niet modelleren. De auteurs benadrukken dat gezamenlijke inferentie leidt tot betrouwbaardere parameter-schattingen en partitie dan sequentiële benaderingen. De toepassing op de influenza-dataset demonstreert het vermogen van de methode om biologisch coherente gen-groepen te identificeren en hun temporele dynamiek te koppelen aan klinische uitkomsten (symptoomstatus). De auteurs merken op dat hoewel de methode onregelmatige tijdgrids ondersteunt, het momenteel ten minste één observatie per individu en variabele vereist, en toekomstig werk zich kan uitbreiden naar het hanteren van informatieve dropout en survival-processen.