The Rayleigh Quotient and Contrastive Principal Component Analysis II

Deze paper breidt contrastieve PCA uit door het gebruik van kernweegfactoren voor ruimtelijke data en het oplossen van de Rayleigh-kwotiënt in de ruimte van basisfuncties voor functionele data, wat een verenigd wiskundig kader biedt voor diverse toepassingen in de genomica.

De kern

Stel je voor dat je een enorme, rommelige bibliotheek binnenloopt. Je wilt een specifiek verhaal vinden (bijvoorbeeld: "Hoe werkt kanker?"), maar de hele bibliotheek zit vol met standaardverhalen die je al kent (bijvoorbeeld: "Hoe werkt een normaal, gezond lichaam?").

Normale statistische methoden kijken naar de hele bibliotheek en zeggen: "Kijk, dit verhaal lijkt het meest op de rest!" Maar dat is niet wat je wilt. Je wilt het verhaal dat anders is, dat opvalt tussen de standaardverhalen door.

Dit artikel beschrijft een slimme nieuwe manier om die "anders" te vinden, met twee nieuwe trucs die het nog krachtiger maken. De auteurs noemen dit Contrastive PCA (een soort slimme vergelijkingstool), maar ze hebben het nu uitgebreid met twee nieuwe manieren om te kijken: één voor ruimtes en één voor tijd.

Hier is de uitleg in simpele taal:

1. Het Basisidee: De "Tegenovergestelde" Zoektocht

Stel je voor dat je een foto van een drukke markt maakt (je doelgroep, bijvoorbeeld een tumor) en een foto van een rustig park (je achtergrond, normaal weefsel).

• Een gewone camera (standaard PCA) zou zeggen: "Kijk, er zijn veel mensen op beide foto's, dat is het belangrijkste!"
• Deze nieuwe methode (ρPCA) zegt: "Nee, ik wil alleen zien wat er op de markt is dat niet in het park staat. Ik wil de unieke markt-sfeer vinden en de normale park-sfeer negeren."

Dit helpt wetenschappers om precies te zien wat er misgaat in een ziekte, zonder verward te raken door de normale variatie in het lichaam.

2. Truc 1: De Ruimtelijke Zoektocht (k-ρPCA)

Het probleem: Soms hebben we data die op een kaart ligt, zoals een foto van een tumor waarbij we weten waar elke cel zit. Maar soms hebben we ook data van een normaal weefsel zonder kaart (alleen een lijst met cellen). Hoe vergelijk je een kaart met een lijst?

De oplossing: De auteurs gebruiken een "magische lens" (een kernel).

• De Analogie: Stel je voor dat je op de markt staat. Mensen die dicht bij elkaar staan, horen bij dezelfde groep (bijvoorbeeld een menigte die om een artiest staat). Mensen die ver weg staan, horen niet bij elkaar.
• Deze nieuwe methode kijkt niet alleen naar wie er is, maar ook naar waar ze staan. Het geeft een hogere score aan dingen die dicht bij elkaar in de ruimte gebeuren.
• Het resultaat: Ze konden zien welke genen in de kankercellen specifiek op bepaalde plekken in de tumor actief waren, terwijl ze de "ruis" van normale cellen filterden. Het is alsof je een bril opzet die alleen de kleur van de kankercellen laat zien, terwijl de rest grijs wordt.

3. Truc 2: De Tijdreis (f-ρPCA)

Het probleem: Soms meten we dingen niet op één moment, maar gedurende een tijdlijn. Denk aan een patiënt die elke dag na een vaccinatie wordt gemeten. De data is dan een kromme lijn, geen enkel puntje.

• Een oude methode zou zeggen: "Kijk naar dag 1, dag 2, dag 3 apart." Maar dat is als het kijken naar losse foto's van een dansend persoon; je mist de dansbeweging zelf.

De oplossing: Ze behandelen de data als een liedje of een dans in plaats van losse noten.

• De Analogie: Stel je voor dat je twee liedjes vergelijkt: een "oefenversie" (eerste vaccinatie) en een "echte uitvoering" (tweede vaccinatie).
• De oude methode zou zeggen: "Op noot 5 klinken ze hetzelfde."
• Deze nieuwe methode (f-ρPCA) zegt: "Kijk naar de melodie. Hoe verandert het liedje in de loop van de tijd? Waar is het tweede liedje plotseling scherper of anders dan het eerste?"
• Het resultaat: Ze konden precies zien hoe het immuunsysteem van mensen anders reageerde op de tweede dosis van een COVID-vaccin dan op de eerste. Ze zagen dat het immuunsysteem sneller en scherper reageerde (een "piek" op dag 1 in plaats van dag 2), iets wat met de oude methoden moeilijker te zien was.

Waarom is dit belangrijk?

Vroeger waren deze methoden (ruimte en tijd) gescheiden als twee verschillende gereedschapskisten. Deze paper zegt: "Wacht, we kunnen ze allemaal in één grote, slimme kist doen!"

• Voor artsen: Het helpt om kanker beter te begrijpen door te kijken naar de "ruimte" van de tumor.
• Voor vaccinontwikkelaars: Het helpt om te zien hoe het lichaam in de "tijd" reageert, zodat ze betere vaccins kunnen maken.

Kort samengevat:
De auteurs hebben een slimme wiskundige truc bedacht die twee lijnen vergelijkt: een "doel" en een "achtergrond". Ze hebben deze truc nu zo aangepast dat hij ook rekening houdt met waar iets gebeurt (ruimte) en hoe iets verandert in de tijd. Hierdoor kunnen wetenschappers de echte, unieke signalen van ziektes of vaccinaties veel scherper horen, zelfs midden in een enorme hoeveelheid normale ruis.

Technische samenvatting

Probleemstelling

Traditionele methoden voor dimensiereductie, zoals Hoofdkomponentenanalyse (PCA), maximaliseren de variantie in een dataset. In biologische contexten is het echter vaak wenselijk om specifieke patronen te isoleren die uniek zijn voor een "doel"-dataset (bijvoorbeeld tumorweefsel of een tweede vaccinatie-dosis), terwijl variantie die gedeeld wordt met een "achtergrond"-dataset (bijvoorbeeld gezond weefsel of een eerste dosis) wordt onderdrukt.

Eerdere contrastieve PCA-methode (ρPCA) loste dit op door een veralgemeend eigenwaardeprobleem op te lossen dat de Rayleigh-verhouding maximaliseert. Echter, bestaande methoden hadden beperkingen:

1. Ruimtelijke data: Bestaande ruimtelijke PCA-methoden focussen vaak op totale variantie en niet specifiek op ruimtelijk gestructureerde variantie, of ze vereisen een strikt gekoppeld achtergrondprofiel.
2. Functionele data: Voor longitudinale data (bijv. tijdreeksen) zijn eerdere contrastieve benaderingen vaak gebaseerd op het aftrekken van covariantiefuncties, wat kan leiden tot niet-positief-semidefiniete matrices en willekeurige eigenfuncties die moeilijk te interpreteren zijn.

Het doel van dit artikel is om de ρPCA-methode uit te breiden naar twee nieuwe domeinen: ruimtelijke transcriptomics en functionele data-analyse, binnen een unifyend wiskundig raamwerk.

Methodologie

De auteurs introduceren twee uitbreidingen van de ρPCA-methode, beide gebaseerd op het maximaliseren van de Rayleigh-verhouding:

1. k-ρPCA (Kernel-gebaseerde Contrastive PCA)

• Concept: Deze methode integreert kernel-weights in de covariantiematrix om lokale ruimtelijke structuren te benadrukken.
• Wiskundige formulering: In plaats van de standaard steekproefcovariantiematrix ($\hat{\Sigma}$) te gebruiken, wordt een kernel-gewogen covariantiematrix ($\hat{\Sigma}_K$) berekend:
  $$\hat{\Sigma}_K = \frac{1}{n-1} X^\top K X$$
  Hierbij is $K$ een kernelmatrix (bijv. een Gaussische kernel) die de ruimtelijke afstand tussen observaties weegt.
• Doel: Het vinden van richtingen (generaliseerde eigenvectoren) die de variantie in de doel-dataset maximaliseren (gewogen op ruimtelijke nabijheid) terwijl de variantie in de achtergrond-dataset (die niet-ruimtelijk kan zijn) wordt geminimaliseerd.
• Voordeel: Het maakt het mogelijk om ruimtelijke data te vergelijken met niet-ruimtelijke data (bijv. scRNA-seq) zonder dat ze perfect gekoppeld hoeven te zijn.

2. f-ρPCA (Functionele Contrastive PCA)

• Concept: Deze methode past ρPCA toe op data die als continue functies kunnen worden gemodelleerd (bijv. tijdreeksen), in plaats van op discrete meetpunten.
• Wiskundige formulering: Observaties worden eerst gefit met een set basisfuncties (bijv. B-splines) om een continue proces $X(t)$ te benaderen:
  $$X_i(t) = \sum_{d=1}^D a_{id} b_d(t) = \mathbf{a}_i^\top \mathbf{B}(t)$$
  De analyse vindt plaats in de ruimte van de basiscoëfficiënten ($\mathbf{a}_i$). De Rayleigh-verhouding wordt geoptimaliseerd met inachtneming van de Gram-matrix ($G$) van de basisfuncties om non-orthogonaliteit te corrigeren:
  $$\text{argmax}_w \frac{w^\top G^{1/2} A_X^\top A_X G^{1/2} w}{w^\top G^{1/2} A_Y^\top A_Y G^{1/2} w}$$
• Doel: Het vinden van eigenfuncties die de meest onderscheidende modi van variatie tussen doel- en achtergrondprocessen identificeren.
• Voordeel: Dit vermijdt de problemen van eerdere methoden (zoals het aftrekken van covarianties) en levert direct interpreteerbare eigenfuncties op die de tijdsdynamiek weergeven.

Belangrijkste Resultaten

Toepassing op Ruimtelijke Transcriptomics (k-ρPCA)

• Dataset: Colorectale kanker (CRC) data van Visium en Visium HD (spatial) vergeleken met niet-ruimtelijke scRNA-seq data van gezond weefsel (achtergrond).
• Vindst: De eerste generaliseerde eigenvector (GE1) onderscheidde duidelijk tumor- van niet-tumor-vlekken, zelfs wanneer een niet-gekoppeld achtergrondmonster werd gebruikt. Standaard PCA faalde hierin omdat de dominante variatie door normale epitheliale variatie werd bepaald.
• Biologische inzichten: De methode identificeerde genen met hoge ruimtelijke variantie specifiek in het tumorweefsel, zoals ASCL2, EREG en SFRP (gerelateerd aan metastase en progressie). Ook werden fibroblast-responsen in de tumor geïdentificeerd (ITGBL1, SFRP4) en oxidatieve stress-markers (NOS2).
• Conclusie: k-ρPCA kan tumor-specifieke mechanismen blootleggen zonder uitgebreide metadata of voorafgaande celtype-annotatie.

Toepassing op Longitudinale Data (f-ρPCA)

• Dataset: Bulk RNA-seq data van bloed van 23 patiënten voor en na een "primer" en "booster" dosis van een COVID-19 mRNA-vaccin.
• Vindst: f-ρPCA werd gebruikt om de interferon-respons van de booster (doel) te contrasteren met de primer (achtergrond).
• Resultaat: De eerste eigenfunctie toonde een scherpere piek op dag 1 voor de booster, in overeenstemming met eerdere observaties dat de tweede dosis een snellere en sterkere interferon-respons induceert.
• Genen: Genen met de hoogste variantie-ratio (bijv. GBP2, ISG20, SP110, LAP3) werden geïdentificeerd als cruciaal voor de antivirale respons. Ook werd aangetoond dat specifieke isoformen (bijv. van OAS1) beter onderscheidend vermogen hebben dan de algemene expressie.
• Conclusie: f-ρPCA biedt een krachtige, geïntegreerde aanpak voor het vergelijken van tijdreeksen, in plaats van post-hoc vergelijkingen van aparte analyses.

Bijdragen en Significatie

1. Unificatie van Methoden: Het artikel toont aan dat kernel-gebaseerde ruimtelijke PCA en functionele PCA wiskundig kunnen worden verenigd binnen het raamwerk van de Rayleigh-verhouding en veralgemeende eigenwaardeproblemen. Dit creëert een coherent theoretisch fundament voor diverse dimensiereductieproblemen.
2. Overcoming Limitaties:
   • k-ρPCA lost het probleem op dat standaard PCA ruimtelijke patronen als "ruis" behandelt en maakt het mogelijk om ruimtelijke data te analyseren met niet-ruimtelijke achtergronden.
   • f-ρPCA vermijdt de numerieke instabiliteit en interpretatieproblemen van eerdere contrastieve functionele methoden door in de ruimte van basiscoëfficiënten te werken.
3. Biologische Toepasbaarheid: De methoden zijn succesvol getoetst op complexe genomische datasets, waarbij ze biologisch relevante signalen (tumorprogressie, vaccinatie-respons) hebben geïsoleerd die met traditionele methoden moeilijk te detecteren waren.
4. Schalbaarheid en Flexibiliteit: Omdat de methoden vertrouwen op gevestigde algoritmen voor veralgemeende eigenwaarden, zijn ze schaalbaar naar grote datasets (zoals Visium HD) en flexibel toepasbaar op multimodale technologieën.

Samenvattend bieden deze uitbreidingen een krachtig, wiskundig onderbouwd framework voor onderzoekers om specifieke biologische signalen te isoleren in zowel ruimtelijke als temporale data, terwijl ze storende achtergrondvariantie effectief onderdrukken.