Bayesian Functional Analysis for Untargeted Metabolomics Data with Matching Uncertainty and Small Sample Sizes

1. O Problema

A metabolômica não direcionada (untargeted metabolomics), baseada em cromatografia líquida acoplada à espectrometria de massa (LC-MS), é uma ferramenta poderosa para mapear padrões metabólicos globais. No entanto, a análise desses dados enfrenta dois obstáculos principais:

• Incerteza de Correspondência (Matching Uncertainty): Diferentemente dos dados de expressão gênica, as características (features) medidas pela LC-MS não possuem identidade química direta. A atribuição de uma característica a um metabólito conhecido é baseada em razões massa/carga (m/z) e tempo de retenção, o que frequentemente resulta em múltiplos metabólitos candidatos para uma única característica. A verdade subjacente é uma correspondência um-para-um, mas a incerteza persiste para a maioria das características, dificultando a análise funcional downstream.
• Tamanho de Amostra Pequeno: Estudos metabólicos frequentemente lidam com um grande número de características (p) e um número limitado de amostras (n), o que torna os modelos paramétricos complexos propensos a overfitting e métodos tradicionais de inferência estatística pouco robustos.

A maioria dos métodos existentes tenta reduzir essa incerteza ou realiza análises de vias (pathways) separadamente, falhando em integrar a inferência de correspondência, a seleção de metabólitos e a análise funcional em um único framework estatístico rigoroso.

2. Metodologia: O Modelo BAUM

Os autores propõem o BAUM (Bayesian Analysis of Untargeted Metabolomics data), uma abordagem inovadora baseada em um modelo de fator latente restrito bayesiano semiparamétrico. O modelo integra três tarefas anteriormente separadas: inferência de incerteza de correspondência, seleção de metabólitos e análise funcional.

Componentes Principais do Modelo:

• Modelo de Fatoração com Restrição One-Hot (Seção 2.2.1):

  • O modelo assume que a estatística de resumo observada para uma característica ($r_i$) é uma combinação linear das pontuações latentes dos metabólitos correspondentes ($\eta^*_j$), ponderadas por indicadores de correspondência binários ($\lambda_{ij}$).
  • Para garantir que apenas um metabólito seja a correspondência verdadeira, o vetor de indicadores $\lambda_i$ segue uma distribuição multinomial com restrição one-hot (apenas um elemento é 1, os outros 0), baseada em medidas de confiança prévias ($q_{ij}$).

• Modelo de Mistura para Pontuações Latentes (Seção 2.2.2):

  • As pontuações latentes dos metabólitos são modeladas como uma mistura de dois componentes:
    1. Componente Nulo: Metabólitos clinicamente irrelevantes, seguindo uma distribuição Gaussiana centrada.
    2. Componente Alternativo: Metabólitos clinicamente relevantes, modelados por uma Mistura de Processo de Dirichlet (DPM). O uso de DPM permite capturar distribuições complexas e não paramétricas sem assumir uma forma específica, sendo crucial para lidar com a heterogeneidade dos dados.

• Priori de Potts Ponderada (Seção 2.2.3):

  • Para incorporar a estrutura da rede metabólica (ex: KEGG), o modelo utiliza uma priori de Potts ponderada sobre os rótulos de classe latente dos metabólitos.
  • Isso força metabólitos conectados na rede a terem maior probabilidade de pertencer à mesma classe (relevante ou irrelevante), permitindo a identificação de sub-redes significativas em vez de apenas metabólitos isolados.

• Inferência e Amostragem (Seção 2.3):

  • O modelo é estimado usando um amostrador de Gibbs em blocos.
  • Utiliza-se a representação de "quebra de vara" (stick-breaking) para o DPM e o algoritmo Swendsen-Wang para atualizar eficientemente os rótulos de classe dos metabólitos na rede.
  • O controle da Taxa de Descoberta Falsa (FDR) é realizado diretamente no nível dos metabólitos com base nas probabilidades de inclusão posteriores.

3. Principais Contribuições

1. Integração Unificada: O BAUM é o primeiro método a realizar inferência estatística diretamente no nível do metabólito enquanto contabiliza explicitamente a incerteza de correspondência entre características e metabólitos.
2. Quantificação de Incerteza: O modelo fornece uma avaliação quantitativa de qual metabólito é mais provável de ser a correspondência verdadeira para cada característica, atribuindo pontuações de confiança.
3. Robustez com Amostras Pequenas: Graças ao framework bayesiano e ao uso de estatísticas de resumo (que não exigem os dados brutos de todas as amostras durante a inferência final), o método é robusto e estável mesmo com tamanhos de amostra muito pequenos (ex: 16 sujeitos por grupo).
4. Análise de Sub-redes: Ao incorporar a topologia da rede metabólica, o método identifica sub-redes biologicamente coerentes, melhorando a interpretação biológica em comparação com métodos que analisam vias isoladamente.

4. Resultados

Estudos de Simulação:

• Foram realizados quatro cenários de simulação (dois com redes gerativas e dois baseados em dados reais de COVID-19).
• O BAUM superou consistentemente métodos concorrentes (como LocFDR e Post-LocFDR) em termos de precisão (ACC), área sob a curva (AUC) e controle da taxa de falsos positivos (FPR) na seleção de metabólitos.
• O método demonstrou capacidade de distinguir corretamente entre componentes nulos e alternativos, mesmo em redes complexas do mundo real.

Análise de Dados Reais:

• Dados de Metabolômica de COVID-19 (ST001849):

  • Analisando 269 pacientes (133 em UTI), o BAUM identificou 189 metabólitos clinicamente relevantes.
  • As vias selecionadas incluíram metabolismo de aminoácidos (tirosina, triptofano, ciclo da ureia) e nucleotídeos, consistentes com a literatura sobre a gravidade da infecção.
  • Descobriu vias novas e plausíveis, como o metabolismo da cafeína (com efeitos anti-inflamatórios) e do ácido linoleico (ligado à gravidade e interação com a proteína spike do vírus).

• Dados de Atlas do Cérebro de Camundongos (ST001637):

  • Analisado com um tamanho de amostra extremamente pequeno (16 camundongos por grupo de idade/gênero/região).
  • O método identificou vias significativas associadas ao desenvolvimento e envelhecimento saudável em diferentes regiões cerebrais (hipocampo, bulbo olfativo, tálamo).
  • Vias destacadas incluíram metabolismo de retinol (crucial para o desenvolvimento neural), ácidos graxos, ácidos biliares e purinas. Os resultados foram biologicamente plausíveis e consistentes com o conhecimento existente sobre neurodegeneração e envelhecimento.

5. Significância

O BAUM representa um avanço significativo na análise de dados metabolômicos não direcionados. Ao tratar a incerteza de correspondência não como um ruído a ser ignorado ou pré-processado, mas como uma parte integral do modelo estatístico, o método oferece inferências mais precisas e confiáveis.

Sua capacidade de operar eficazmente com pequenos tamanhos de amostra é particularmente valiosa para estudos biológicos onde a obtenção de grandes coortes é difícil ou cara. Além disso, a integração da estrutura da rede metabólica permite uma interpretação funcional mais rica, identificando mecanismos biológicos subjacentes que métodos tradicionais de seleção de características isoladas poderiam perder. A disponibilidade do pacote R "BAUM" facilita a adoção desta metodologia pela comunidade científica.