Practical limitations for real-life application of data fission and data thinning in post-clustering differential analysis

Título: Limitações Práticas para a Aplicação Real de Fissão e Afinamento de Dados na Análise Diferencial Pós-Agrupamento

1. O Problema: O "Double-Dipping" na Análise de RNA-seq de Célula Única

A análise de dados de RNA-seq de célula única (scRNA-seq) frequentemente segue um pipeline de dois passos: primeiro, agrupa-se as células em clusters (agrupamento não supervisionado) para identificar heterogeneidade celular; segundo, realiza-se uma análise diferencial para encontrar genes marcadores entre esses clusters.
O problema central é o "double-dipping" (uso duplo dos dados): os mesmos dados são utilizados para estimar os clusters e, subsequentemente, para testar a significância das diferenças entre eles. Isso viola a premissa de independência estatística, levando a uma inflação da Taxa de Erro Tipo I (falsos positivos), onde diferenças artificiais criadas pelo processo de agrupamento são erroneamente identificadas como biologicamente significativas.

2. Metodologia e Abordagens Existentes

O artigo avalia duas metodologias propostas recentemente para resolver o problema do double-dipping sem depender da inferência seletiva:

• Fissão de Dados (Data Fission): Divide cada observação em duas partes independentes ($X^{(1)}$ e $X^{(2)}$). A primeira parte é usada para agrupamento e a segunda para inferência.
• Afinamento de Dados (Data Thinning): Uma generalização da fissão que permite dividir os dados em mais de duas partes e aplica-se a mais distribuições (incluindo a Binomial Negativa, comum em scRNA-seq).

A Limitação Teórica:
Ambos os métodos assumem que os dados seguem uma distribuição homogênea (ex: Gaussiana ou Poisson global). No entanto, dados de scRNA-seq são inerentemente misturas de distribuições (cada cluster corresponde a um componente da mistura).
O artigo investiga duas abordagens de aplicação:

1. Fissão/Afinamento Marginal: Aplica-se o método ignorando a estrutura de mistura, usando parâmetros globais (ex: variância global).
2. Fissão/Afinamento Condicional: Aplica-se o método dentro de cada componente da mistura, usando parâmetros específicos de cada cluster.

3. Contribuições Principais e Resultados Teóricos

• Incompatibilidade da Fissão Marginal com Misturas:
  Os autores demonstram que a fissão marginal, ao usar parâmetros globais (como a variância total $\Sigma$) em dados que possuem clusters com variâncias diferentes ($\Sigma_g$), falha em garantir a independência condicional.

  • Resultado Chave: Isso induz correlações ocultas entre $X^{(1)}$ e $X^{(2)}$ dentro dos mesmos componentes reais. Como consequência, estruturas de agrupamento espúrias (artificiais) criadas em $X^{(1)}$ contaminam a inferência em $X^{(2)}$, resultando em uma inflação severa da Taxa de Erro Tipo I.
  • Prova Analítica: O artigo estabelece uma relação direta entre o viés na estimativa da variância e a inflação do erro Tipo I no teste t de Welch.

• Validade Teórica vs. Viabilidade Prática da Fissão Condicional:
  A fissão condicional (dividir dados dentro de cada cluster conhecido) é teoricamente correta e garante a independência necessária.

  • O Paradoxo Circular: Para realizar a fissão condicional, é necessário conhecer a estrutura de mistura (os clusters e seus parâmetros específicos, como variância ou sobre-dispersão). No entanto, o objetivo da análise é descobrir esses clusters.
  • Conclusão: A fissão condicional é a única abordagem válida, mas é inviável na prática para dados reais, pois exige conhecimento prévio das classes latentes que se pretende inferir.

• Desafios Específicos da Binomial Negativa (scRNA-seq):

  • Viés de Parâmetros: Assim como na Gaussiana, o uso de estimativas de sobre-dispersão marginais (em vez de condicionais) em modelos de mistura Binomial Negativa leva a dependências residuais e inflação de erro.
  • Limitação Univariate: O afinamento de dados Binomial Negativo é aplicado variável por variável. Isso ignora as correlações multivariadas entre genes. Em dados reais, onde genes estão correlacionados em redes regulatórias, o afinamento univariate falha em quebrar a dependência entre as partes $X^{(1)}$ e $X^{(2)}$ de diferentes variáveis, levando a falsos positivos mesmo com parâmetros corretos.

4. Evidências Empíricas e Simulações

• Simulações Gaussianas: Mostram que a fissão marginal perde poder estatístico e falha no controle do erro Tipo I quando há clusters reais. A fissão condicional (com parâmetros verdadeiros conhecidos) funciona perfeitamente, mas é inatingível na prática.
• Dados Reais (Tabula Sapiens): Ao aplicar o afinamento Binomial Negativo em um conjunto de dados de medula óssea (onde não se esperam clusters distintos), a taxa de erro Tipo I foi de 100% (todos os testes foram significativos). Isso ocorreu devido às correlações entre genes que o método univariate não conseguiu eliminar. Quando a análise foi feita de forma univariada (gene a gene), ignorando correlações, o erro foi controlado, mas isso não reflete a realidade multivariada da biologia.

5. Significado e Conclusão

O artigo conclui que, apesar do apelo conceitual, a fissão e o afinamento de dados não são soluções práticas viáveis para a inferência pós-agrupamento em cenários do mundo real, especialmente em scRNA-seq.

• O Dilema Fundamental: A independência necessária para evitar o double-dipping só pode ser garantida se a estrutura de agrupamento for conhecida antes da divisão dos dados. Como a estrutura é desconhecida e deve ser estimada, qualquer tentativa de divisão baseada em estimativas marginais introduz viés e dependência, invalidando a inferência.
• Implicação: A comunidade científica precisa buscar metodologias alternativas que não dependam de conhecimento prévio das classes latentes ou que consigam lidar com a circularidade inerente ao problema de agrupamento e teste de hipóteses simultâneos.

Em suma, o artigo desmistifica a aplicação direta de fissão de dados em dados de mistura, alertando que sua aplicação ingênua (marginal) é estatisticamente perigosa e sua aplicação correta (condicional) é logicamente impossível sem conhecimento prévio dos clusters.