Estimating Gaussian graphical models of multi-study data with Multi-Study Factor Analysis

Resumo Técnico: Modelos Gráficos Gaussianos de Fatores Multi-estudo com Aplicações à Metabolómica da Diabetes Gestacional

Definição do Problema
A diabetes mellitus gestacional (DMG) é um distúrbio metabólico associado a desfechos adversos maternos e neonatais. Embora o perfil metabolómico tenha vinculado com sucesso metabolitos específicos ao estado de DMG, evidências emergentes sugerem que a DMG não é caracterizada por uma disfunção de metabolitos isolados, mas sim por mudanças coordenadas em grupos de metabolitos que formam padrões ou assinaturas distintas. As abordagens estatísticas existentes enfrentam uma limitação: a análise fatorial (AF) padrão identifica variáveis latentes (fatores) que representam características coordenadas, mas não modela as dependências condicionais (estruturas de rede) entre elas. Inversamente, os modelos de rede, como os Modelos Gráficos Gaussianos (MGG), representam eficazmente as dependências condicionais, mas tipicamente não deconvoluem sinais compartilhados de sinais específicos de cada condição através de múltiplos estudos ou grupos. Os métodos atuais de análise de redes diferenciais estimam frequentemente as redes para cada condição separadamente ou estimam diretamente as diferenças, falhando em separar explicitamente as contribuições compartilhadas e específicas de cada estudo. Esta lacuna exige uma abordagem integrada capaz de identificar padrões de rede compartilhados e divergentes baseados em representações de variáveis latentes através de múltiplas condições.

Metodologia: MSFA-X
Os autores introduzem o MSFA-X (Análise Fatorial Multi-estudo Estendida), um novo framework que combina a Análise Fatorial Multi-estudo (MSFA) com a modelação de redes para construir MGGs baseados em variáveis latentes.

• Formulação do Modelo: O MSFA-X estende o MSFA padrão ao modelar os dados observados $x_{is}$ (para o sujeito $i$ no estudo $s$) como uma soma de fatores partilhados ($f_{is}$), fatores específicos do estudo ($l_{is}$) e componentes de ruído decompostos. Ao contrário do MSFA padrão, onde a covariância residual $\Psi_s$ é uma matriz diagonal única, o MSFA-X particiona o ruído residual num componente partilhado ($\Gamma$) e num componente específico do estudo ($H_s$). A matriz de covariância para o estudo $s$ é decomposta como:
  $$\Sigma_s = \Phi\Phi^\top + \Lambda_s\Lambda_s^\top + \Gamma + H_s$$
  onde $\Phi$ representa as cargas partilhadas, $\Lambda_s$ as cargas específicas do estudo, e $\Gamma$ e $H_s$ são matrizes diagonais de posto total (full-rank).

• Estimativa da Matriz de Precisão: Esta decomposição garante que os componentes de covariância partilhada ($\Phi\Phi^\top + \Gamma$) e os componentes de covariácia específicos do estudo ($\Lambda_s\Lambda_s^\top + H_s$) sejam invertíveis. Isto permite a estimativa direta das matrizes de precisão partilhadas e específicas do estudo ($\Theta = \Sigma^{-1}$), que definem as arestas dos MGGs com base em correlações parciais. Esta abordagem evita a necessidade de parâmetros de ajuste tipicamente exigidos por métodos de verosimilhança penalizada, como o lasso gráfico (glasso), quando aplicados a matrizes singulares.

• Estimativa e Identificabilidade: Os parâmetros do modelo são estimados utilizando um algoritmo de Expectation-Conditional Maximization (ECM). Os autores abordam várias questões de identificabilidade:

  1. Indeterminação de Rotação: Resolvida através de restrições de matriz triangular inferior em blocos nas matrizes de carga.
  2. Troca de Rótulos (Label Switching): Abordada pelas mesmas restrições.
  3. Separação de Componentes: Garantida por restrições de posto na matriz de carga combinada.
  4. Decomposição de Ruído: A separação de $\Gamma$ e $H_s$ não é estatisticamente identificável (apenas a sua soma o é). Os autores propõem uma estratégia prática de estimar $\Gamma$ no centro da região de não-identificabilidade ($\hat{\gamma}_p = 0.5 \times \min_s \hat{\psi}_{ps}$), argumentando que, embora as estimativas individuais de ruído não sejam consistentes, as matrizes de precisão resultantes permanecem praticamente significativas.

• Teste de Significância: A significância das arestas é avaliada através de uma abordagem de nulidade empírica. Dados nulos são gerados sob a suposição de ausência de associações condicionais, e os p-valores empíricos são calculados com base na distribuição dos pesos das arestas nulas.

Resultos Principais

• Estudos de Simulação: Simulações extensas em dez configurações (variando tamanhos de amostra, número de estudos, fatores e níveis de ruído) demonstraram que o MSFA-X supera significativamente os benchmarks de lasso gráfico padrão na recuperação de estruturas de rede tanto partilhadas como específicas do estudo. O método alcançou coeficientes de RV modificados elevados (frequentemente >0.99) entre as matrizes de adjacência estimadas e as verdadeiras, enquanto as abordagens baseadas em glasso produziram coeficientes substancialmente mais baixos, particularmente para redes específicas do estudo.
• Aplicação ao Estudo HAPO: Aplicado a dados metabolómicos do estudo Hyperglycemia and Adverse Pregnancy Outcomes (HAPO) (3.463 participantes: 576 com DMG, 2.887 sem DMG), o MSFA-X identificou:
  • Redes Partilhadas: Duas subredes distintas: uma que liga aminoácidos (AAs) com acilcarnitinas de cadeia longa, e outra que liga acilcarnitinas de cadeia curta e média.
  • Diferenças Específicas da Condição: Em mulheres sem DMG, a glutamina/glutamato atuou como um hub central conectando AAs às acilcarnitinas de cadeia curta e média. Em mulheres com DMG, esta função de hub foi perdida; a glutamina/glutamato tornou-se desconectada do resto da rede. Inversamente, os aminoácidos aromáticos (histidina, fenilalanina, tirosina) tornaram-se hubs fortes especificamente na rede de DMG.
  • Validação Biológica: Os fatores latentes derivados do MSFA-X foram associados à adiposidade do recém-nascido (soma das dobras cutâneas). Especificamente, o fator específico de DMG (carga nos AAs aromáticos) e os fatores partilhados foram significativamente associados à adiposidade do recém-nascido em mulheres com DMG, mesmo após o ajuste de covariáveis. Esta associação não foi observada em mulheres sem DMG, sugerindo que a desregulação metabólica capturada por estes fatores latentes confere riscos específicos aos descendentes de mães com DMG.

Significância e Alegações
O artigo afirma que o MSFA-X fornece uma perspetiva distintiva e interpretável para analisar dados de múltiplas condições ao deconvolver explicitamente os sinais partilhados e específicos de cada estudo, uma capacidade que falta nos métodos atuais de análise de redes diferenciais. Os autores afirmam que o método recupera com sucesso as estruturas gráficas induzidas por variáveis latentes e supera os benchmarks ingénuos.

A aplicação à DMG revela que o ambiente metabólico da DMG envolve uma interrupção sistémica onde nós de rede chave (como a glutamina/glutamato) se desconectam, e novos hubs (AAs aromáticos) emergem. Os autores concluem que estes fatores latentes capturam a variação biologicamente significativa nos perfis metabolómicos que se relaciona com a adiposidade do recém-nascido, oferecendo um potencial mecanismo para compreender como a DMG materna influencia os resultados neonatais. O método é apresentado como uma ferramenta geral aplicável a quaisquer dados de distribuição normal multivariada que exibam estruturas de variáveis latentes em contextos de múltiplas condições. O pacote R que implementa o MSFA-X está disponível para a comunidade científica.