📊 statistics

Spatially orthogonal factor models for spatial transcriptomics and remote sensing data

Dit artikel introduceert een ruimtelijk orthogonaal factormodel dat de belangrijkste beperkingen van bestaande methoden oplost door orthogonale loadings af te dwingen, niet-stationaire ruimtelijke priors te accommoderen en een lineaire computationele complexiteit te bereiken, waardoor efficiënte inferentie van ruimtelijke variatie in grootschalige transcriptomica- en remote sensing-datasets mogelijk wordt.

Oorspronkelijke auteurs: Dan Cunha, Lukas M. Weber, Mark A. Friedl, Luis Carvalho

Gepubliceerd 2026-08-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Dan Cunha, Lukas M. Weber, Mark A. Friedl, Luis Carvalho

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een complex landschap te begrijpen door naar een kaart te kijken waarin elk afzonderlijk punt een geheim bevat. In gebieden variërend van de biologie tot de klimaatwetenschap worden onderzoekers vaak voor deze uitdaging gesteld. Ze hebben gegevens verzameld van duizenden specifieke locaties, en op elke plek is er een rijke set metingen aanwezig. In de biologie kunnen deze metingen bijvoorbeeld de activiteitsniveaus van duizenden genen zijn binnen een doorsnede van hersenweefsel. In de klimaatwetenschap zouden dit de groenheid van vegetatie kunnen zijn, gemeten door satellieten over een heel continent. Het doel is om de verborgen patronen te vinden die verklaren waarom dingen er overal in de ruimte zo uitzien als ze doen. Wetenschappers gebruiken al lang een hulpmiddel genaamd principal component analysis om deze chaos te vereenvoudigen. Beschouw dit als een manier om de belangrijkste "richtingen" van verandering in de data te vinden, waarbij duizenden metingen worden teruggebracht tot een paar kernthema's. Echter, standaardmethoden behandelen elke locatie vaak alsoals een geïsoleerd punt, waarbij ze negeren dat nabijgelegen plaatsen elkaar meestal wel beïnvloeden. Wanneer onderzoekers proberen deze standaardinstrumenten te dwingen om rekening te houden met geografie, eindigen ze vaak met resultaten die wiskundig rommelig of computationeel onmogelijk te berekenen zijn voor grote datasets.

Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld om deze problemen op te lossen, waarbij ze een methode creëerden die de geografie van de data respecteert terwijl de wiskunde helder en snel blijft. Hun werk, dat ze een ruimtelijk orthogonaal factormodel noemen, is ontworpen om enorme hoeveelheden ruimtelijke data te verwerken zonder de cruciale informatie over hoe nabijgelegen punten met elkaar verband houden te verliezen. De kern van het idee is het vinden van de belangrijkste patronen van variatie in de data, maar dit te doen op een manier die ervoor zorgt dat deze patronen duidelijk van elkaar verschillen en dat hun vormen vloeiend veranderen over het landschap. In tegenstelling tot oudere methoden die ervan uitgaan dat de regels van de geografie overal hetzelfde zijn, staat dit nieuwe model toe dat de sterkte van deze verbindingen varieert. In sommige gebieden kan een patroon zich ver over het land uitstrekken; in andere gebieden kan het zeer lokaal zijn. De onderzoekers bewezen dat hun methode het best mogelijke antwoord voor deze patronen kan vinden en, cruciaal, ze bouwden een systeem dat deze berekening snel kan uitvoeren, zelfs wanneer er te maken is met honderdduizenden locaties.

Om hun idee te testen, paste het team het toe op twee zeer verschillende werelden. Eerst bekeken ze een gedetailleerde kaart van een menselijke hersenregio, specifweg de dorsolaterale prefrontale cortex. Dit gebied staat bekend om zijn gelaagde structuur, vergelijkbaar met de pagina's van een boek, en wetenschappers proberen al lang te begrijpen hoe genactiviteit verandert van de ene laag naar de andere. Met behulp van gegevens van meer dan 3.500 minuscule punten in het hersenweefsel, identificeerde het nieuwe model succesvol patronen die overeenkwamen met deze bekende lagen. Maar het vond ook iets extra's. Het onthulde patronen van genactiviteit die de nette lagen niet volgden, waardoor signalen gerelateerd aan bloed- en immuuncellen werden blootgelegd die vermengd waren met het hersenweefsel. Deze bevindingen kwamen overeen met eerdere ontdekkingen, maar werden door de nieuwe methode duidelijker en efficiënter gevonden. Het model toonde ook aan dat de "reikwijdte" van deze patronen, of hoe ver een enkele invloed zich uitstrekt, niet overal hetzelfde was; het was het sterkst in de buitenste laag van de hersenen en varieerde in andere regio's.

De tweede test nam het model mee naar een veel grotere schaal: het hele sub-Sahara Afrikaanse continent. Hier gebruikten de onderzoekers satellietgegevens die de groenheid van planten over een enkel jaar maten. Dit is een moeilijke taak omdat een enkele jaar aan gegevens vaak te ruizig is om de ware, langetermijn klimaatpatronen te onthullen waar wetenschappers op vertrouwen. Standaardmethoden hadden moeite om duidelijke patronen te vinden in deze korte, ruisige momentopname. Echter, het nieuwe model, door gebruik te maken van de ruimtelijke relaties tussen nabijgelegen pixels, was in staat om betekenisvolle seizoensgebonden trends naar voren te halen. Het identificeerde duidelijke regio's waar plantenleven op een specifieke manier functioneert, zoals de Sahel en de vochtige tropen. Opmerkelijk genoeg kwamen de patronen die het in slechts één jaar aan gegevens vond, nauw overeen met de belangrijke klimaatzones die zijn geïdentificeerd door naar veertig jaar aan historische gegevens te kijken. Het model spoot zelfs subtiele verschillen op in de vochtige tropen die de standaardmethode miste, wat aantoonde dat het de onderliggende structuur van het landschap kon zien, zelfs wanneer de gegevens beperkt waren.

Het succes van dit werk ligt in de manier waarop het de wiskunde van de ruimte behandelt. De onderzoekers toonden aan dat door de ruimtelijke verbindingen te behandelen als een flexibele, veranderende kaart in plaats van een vaste regel, ze betere antwoorden konden krijgen. Ze ontwikkelden ook een manier om deze veranderende verbindingen automatisch te schatten, gebruikmakend van een strategie waarbij het model wordt getest op delen van de data die het nog niet heeft gezien om te garanderen dat het de juiste dingen leert. Deze aanpak stelt het model in staat om zelfs voor datasets die met oudere technieken dagen of weken zouden duren, binnen enkele minuten op standaardcomputers te draaien. Het resultaat is een hulpmiddel dat wetenschappers helpt de onzichtbare draden te zien die plaatsen verbinden, of die plaatsen nu kleine puntjes in een hersendoorsnede zijn of uitgestrekte stukken van de Afrikaanse savanne, waardoor de verborgen orde in de complexiteit van onze wereld wordt onthuld.

Technische Samenvatting: Ruimtelijk Orthogonale Factor Modellen voor Ruimtelijke Transcriptomics en Remote Sensing Data

Probleemstelling

Ruimtelijk geïndexeerde data, die veel voorkomen in velden zoals ruimtelijke transcriptomics en remote sensing, vereisen vaak dimensionaliteitsreductie om latente modi van ruimtelijke variatie te extraheren. Hoewel Probabilistische Principale Componenten Analyse (PCA) een standaardinstrument is, kampen bestaande methoden voor het integreren van ruimtelijke informatie in dit kader met drie primaire beperkingen:

Niet-orthogonale Loadings: Standaard probabilistische PCA-loadings zijn niet orthogonaal. De daaropvolgende orthogonalisering van deze loadings corrumpeert de oorspronkelijke prior ruimtelijke informatie.
Stationariteitsaannames: Huidige methoden gaan doorgaans uit van stationariteit in de ruimtelijke prior, waarbij vaak wordt vertrouwd op vaste priors of heuristische schatters in plaats van het leren van de covariantiestructuur uit de data.
Computationele Complexiteit: Methoden die ruimtelijke informatie integreren, slagen er over het algemeen niet in om een computationele complexiteit van lineaire tijd te bereiken met betrekking tot het aantal ruimtelijke locaties ( $m$ ), en vereisen vaak een kubische complexiteit vanwege de eigendecompositie van grote covariantie-matrices.

Bovendien blijft het onduidelijk hoe de integratie van ruimtelijke informatie de maximum likelihood of maximum a posteriori (MAP) inferenties in deze settings verandert.

Methodologie

Modelformulering

De auteurs stellen Spatially Orthogonal Factor Models (SOFM) voor, die het model direct parametriseren met orthogonale loadings ( $U$ ). In tegen tegenstelling tot traditionele benaderingen die ruimtelijke afhankelijkheid op de latente factoren plaatsen, plaatst SOFM de ruimtelijke afhankelijkheid op de loadingsmatrix $U$ . Het model wordt gespecificeerd als:
$y_i | U, L, \sigma^2 \sim N(0, UL^2U' + \sigma^2 I_m)$
waarbij $y_i$ de observatievector op locatie $i$ is, $L$ de singuliere waarden bevat en $U$ een orthogonale matrix is die ruimtelijke patronen representeert.

Afleiding van de Prior

Om het gebrek aan orthogonaliteit in standaardpriors aan te pakken, leiden de auteurs de steekproefverdeling af voor de Singular Value Decomposition (SVD) van een matrix waarbij de eerste $k$ singuliere waarden uniek zijn en de resterende $m-k$ herhaald worden. Deze distributie, afgeleid van James (1964) en aangepast voor PCA-beperkingen, dient als de prior voor $U, L, \sigma^2$ .

Propositie 1: Stelt vast dat de conditionele prior van $U$ gegeven $L, \sigma^2, \Sigma$ een matrix-Fisher-Bingham distributie is, die conjugeet is aan de likelihood.
Stelling 1: Demonstreert dat de onconditionele MAP-schatter voor de orthogonale loadings $U$ overeenkomt met de eigenvectoren van $(S + \frac{1}{n}\Sigma)$ , waarbij $S$ de empirische covariantie-matrix is en $\Sigma$ de prior ruimtelijke covariantie-matrix is.

Estimatie-algoritme (MM-EM)

Directe eigendecompositie van $(S + \frac{1}{n}\Sigma)$ is computationeel onhaalbaar voor grote $m$ (kubische complexiteit). Om dit op te lossen, ontwikkelen de auteurs een Minorization-Maximization binnen Expectation-Maximization (MM-EM) algoritme:

E-stap: Berekent de posterieure verwachtingen van latente toestanden.
M-stap: Gebruikt een minorization-maximization benadering om $U$ bij te werken. Door gebruik te maken van de convexiteit van de objectieve functie en de Procrustes-oplossing (Schönemann, 1966), maximaliseert het algoritme een surrogaatfunctie van de vorm $\text{tr}(M^T U)$ .
Complexiteit: Deze benadering bereikt een computationele complexiteit van lineaire tijd met betrekking tot het aantal ruimtelijke locaties.

Niet-stationaire Covariantie-estimatie

Om de stationariteitsbeperking aan te pakken, stellen de auteurs een validatiekader voor om een niet-stationaire ruimtelijke covariantiefunctie te schatten (gebaseerd op Paciorek en Schervish, 2006).

Held-out Locaties: Een set ruimtelijke locaties wordt tijdens de training buiten beschouwing gelaten. Het model behandelt de uitkomsten op deze locaties als latent.
Optimalisatie: Het algoritme schat lokale lengteschalen en sill-parameters door de held-out predictieve likelihood te maximaliseren.
Smoothing: Lokale schattingen worden gegeneraliseerd over het domein met behulp van twee-dimensionale P-splines om ruimtelijke gladheid van de covariantieparameters te waarborgen.

Belangrijkste Bijdragen

Theoretische Afleiding: Afleiding van de steekproefverdeling voor SVD onder herhaalde eigenwaardebeperkingen, wat een conjungte prior voor orthogonale loadings mogelijk maakt.
MAP Karakterisering: Bewijs dat de MAP-schatter voor orthogonale loadings de eigendecompositie is van de som van de empirische en de prior ruimtelijke covarianties.
Schaalbaar Algoritme: Ontwikkeling van een MM-EM algoritme dat de computationele complexiteit vermindert van kubisch naar lineair met betrekking tot ruimtelijke locaties.
Niet-stationaire Estimatie: Een nieuwe validatiestrategie voor het schatten van niet-stationaire ruimtelijke covariantieparameters met behulp van held-out data en P-spline smoothing.
Applicaties: Demonstratie van de methode op twee verschillende datasets: humane hersen-ruimtelijke transcriptomics en continentale-schaal remote sensing.

Resultaten

Casestudy 1: Ruimtelijke Transcriptomics (DLPFC)

Toegepast op postmortem menselijk hersenweefsel uit de dorsolaterale prefrontale cortex (DLPFC):

Laminair en Non-laminair Patronen: Het model identificeerde succesvol ruimtelijke factoren die overeenkomen met corticale lagen (laminaire structuur) evenals non-laminaire patronen.
Biologische Relevantie: Factoren legden genen vast die geassocieerd zijn met bloed (bijv. HBB) en immuuncelpopulaties (bijv. IGKC), consistent met eerdere bevindingen door Maynard et al. (2021).
Prestaties: Het SOFM-model presteerde beter dan standaard PCA en een gesuperviseerde "Laminae-PCA" in het vastleggen van non-laminaire ruimtelijke variabiliteit en verklaarde een hoger deel van de variantie in de empirische covariantie voor de eerste paar factoren.
Efficiëntie: Het algoritme draaide in minder dan 90 seconden voor de volledige genenset (33.538 genen) op 32 kernen.

Casestudy 2: Remote Sensing (Sub-Sahara Afrika)

Toegepast op NDVI-data uit de GIMMS-dataset over sub-Sahara Afrika:

Niet-stationariteit: Geschatte lengteschalen varieerden ruimtelijk, waarbij een sterkere afhankelijkheid werd getoond in de Sahel en de sub-humide tropen vergeleken met transitiezones.
Korte termijn vs. Lange termijn: Wanneer het werd toegepast op een enkele jaar aan data (2022), identificeerde SOFM ruimtelijke patronen (specifiek in de oostelijke humane tropen en Mozambique) die aanwezig waren in een 40-jarige PCA-model maar gemist werden door een enkeljarig PCA-model.
Significantie: Dit demonstreert dat ruimtelijke regularisatie het model in staat stelt om onderliggende ruimtelijke factoren te herstellen uit beperkte temporele data die standaard PCA niet kan detecteren.

Betekenis en Claims

Het artikel claimt dat SOFM de trade-off tussen het integreren van ruimtelijke informatie en het behouden van orthogonale, interpreteerbare factoren oplost. Door een specifieke prior voor orthogonale loadings af te leiden, vermijdt de methode de corruptie van ruimtelijke informatie die optreedt bij post-hoc orthogonalisering. De lineaire tijdscomplexiteit maakt de methode schaalbaar voor grote ruimtelijke datasets (bijv. continentale schalen of hoog-resolutie weefselsecties).

De auteurs benadrukken dat hun benadering voor het schatten van niet-stationaire covariantie via held-out likelihood maximalisatie een nieuwe bijdrage is aan de toepassingsgebieden van ruimtelijke transcriptomics en milieuwetenschappen. De resultaten suggereren dat ruimtelijk georthogonaliseerde factoren biologisch en milieurelevante modi van variatie kunnen onthullen die verborgen blijven voor standaard dimensionaliteitsreductietechnieken, vooral wanneer de data schaars is in het temporele of observationele domein.

Het artikel concludeert bescheiden door op te merken dat hoewel het huidige kader zich richt op ruimtelijke afhankelijkheid in de loadings, toekomstig werk de temporele afhankelijkheid in latente variabelen of evoluerende loadings kan verkennen, evenals formele inferentiële procedures voor gen-associatie in transcriptomics.