Flexible aggregation of compositional predictors with shared effects for microbiome association analysis

Declaração do Problema
A análise de dados de microbioma enfrenta desafios significativos devido à natureza de alta dimensão, esparsa e composicional dos dados. As restrições composicionais exigem que as abundâncias relativas somem um, induzindo dependência entre os táxons e necessitando de abordagens de regressão baseadas em log-razões (especificamente o modelo de log-contraste onde os coeficientes somam zero). Além disso, os conjuntos de dados de microbioma frequentemente contêm inúmeras características raras (observadas em poucos indivíduos), que são tipicamente filtradas ou agregadas com base em árvores filogenéticas externas fixas. No entanto, os métodos existentes possuem limitações: abordagens baseadas em penalidade (ex: Lasso) fornecem estimativas pontuais que falham em capturar a incerteza e podem apresentar altas taxas de falsos positivos; métodos Bayesianos frequentemente dependem de árvores filogenéticas externas para agregação de características, o que pode não refletir com precisão a similaridade funcional em relação ao desfecho clínico; e a agregação por árvore fixa assume que a proximidade evolutiva dita a similaridade do efeito, uma premissa que os autores argumentam ser frequentemente inválida para associações hospedeiro-microbiota específicas.

Metodologia: BRACE
Os autores propõem o BRACE (Bayesian Regression with Agglomerated Compositional Effects), um novo framework projetado para regressão composicional de alta dimensão que realiza simultaneamente seleção de variáveis, agrupamento adaptativo aos dados e impõe a restrição de log-contraste. O método é construído sobre um modelo Bayesiano hierárquico com três componentes principais:

1. Prior de Spike-and-Cluster: O modelo introduz indicadores de atividade binários ($s_j$) para cada preditor para realizar a seleção de variáveis (componente spike). Para o conjunto ativo, uma prior de partição de Ewens (derivada do Processo de Restaurante Chinês) é aplicada para agrupar os coeficientes ativos em clusters. Isso permite que táxons com efeitos semelhantes no desfecho compartilhem um coeficiente de regressão comum, facilitando a agregação adaptativa aos dados sem depender de árvores externas.
2. Prior Gaussiana Restrita: Para satisfazer a restrição composicional $\mathbf{1}^\top \beta = 0$, o modelo emprega uma prior Gaussiana restrita baseada em projeção nos efeitos ao nível de cluster ($\theta$). Especificamente, um vetor Gaussiano não restrito é projetado no hiperplano definido pelos tamanhos dos clusters ($w^\top \theta = 0$). Isso garante que os coeficientes de regressão induzidos $\beta = Z\theta$ satisfaçam estritamente a restrição de soma zero dentro do espaço de parâmetros válido.
3. Inferência Posterior: Os autores desenvolvem um amostrador de Gibbs para realizar a inferência posterior. Uma inovação técnica fundamental é a amostragem eficiente de rótulos de clusters e efeitos enquanto respeita a restrição do hiperplano. Isso envolve integrar os efeitos de cluster para obter uma verossimilhança marginal colapsada para atualizações de rótulos e usar um algoritmo rápido para simular a partir de distribuições normais multivariadas truncadas pelo hiperplano.

Resultos Principais
O desempenho do BRACE foi avaliado através de extensos estudos de simulação e uma aplicação no mundo real:

• Estudos de Simulação:

  • Cenário 1 (Sinal Estruturado): Em configurações controladas com sinal estruturado e dependência, o BRACE consistentemente alcançou o menor ou quase o menor erro de previsão e perda $L_2$ comparado aos concorrentes (Lasso CLR, Lasso Comp, BAZE, BCGLM). Demonstrou capacidade superior de recuperar estruturas de cluster reais (alto Índice de Rand Ajustado) e manteve intervalos de credibilidade preditiva bem calibrados.
  • Cenário 2 (Dados ORIGINS Semi-sintéticos): Mimetizando a complexidade dos dados reais de microbioma oral, o BRACE superou todos os métodos de referência em diferentes níveis de razão sinal-ruído. Notavelmente, em níveis de sinal elevados, o BRACE alcançou seleção de variáveis perfeita (zero falsos positivos e zero falsos negativos), uma propriedade não compartilhada pelos métodos concorrentes.
  • Seleção de Variáveis: Os autores introduziram um critério nulo prático combinando probabilidade de inclusão posterior com um filtro de magnitude ($Pr(|\beta_j| > \epsilon | y) > 0.90$) para controlar efetivamente a Taxa de Descoberta Falsa (FDR) em designs correlacionados.

• Aplicação em Dados Reais (Estudo ORIGINS):

  • Aplicado ao Estudo de Infecções Orais, Intolerância à Glicose e Resistência à Insulina, o BRACE identificou 17 características agrupadas em quatro clusters não nulos associados aos níveis de insulina em jejum.
  • O método identificou táxons específicos (ex: Tannerella forsythia, espécies de Prevotella) com associações positivas à resistência à insulina.
  • Crucialmente, os clusters adaptativos aos dados não seguiram estritamente a proximidade filogenética. Por exemplo, espécies intimamente relacionadas exibiram direções de efeito opostas, e táxons filogeneticamente distantes foram agrupados devido a efeitos funcionais compartilhados. Isso confirmou a hipótese dos autores de que árvores filogenéticas sozinhas são insuficientes para guiar a análise de associação neste contexto.
  • A análise funcional (via PICRUSt2) revelou que os clusters identificados correspondiam a perfis funcionais distintos, apoiando a relevância biológica dos agrupamentos adaptativos aos dados.

Significância e Alegações
O artigo afirma que o BRACE representa o primeiro método Bayesiano para regressão composicional de alta dimensão que oferece agrupamento de características flexível e adaptativo aos dados e seleção sem depender de estruturas filogenéticas externas fixas. Suas principais contribuições são:

1. Inovação Metodológica: A integração da prior de partição de Ewens com uma prior Gaussiana restrita baseada em projeção permite a imposição da restrição de log-contraste diretamente nos coeficientes de regressão, enquanto possibilita o agrupamento flexível de efeitos.
2. Desempenho Superior: O BRACE demonstra superioridade em precisão de previsão, redução de dimensionalidade e capacidades de seleção de variáveis comparado aos métodos de estado da arte existentes, particularmente em cenários envolvendo características raras e efeitos compartilhados.
3. Interpretabilidade: Ao agrupar táxons com efeitos semelhantes, o método produz modelos mais interpretáveis e fornece um mecanismo para lidar com características raras, colapsando-as em agrupamentos mais densos e robustos.

Limitações
Os autores reconhecem que o custo computacional do amostrador de Gibbs colapsado pode ser alto, particularmente quando o número de clusters inferidos é grande em relação ao número de preditores, devido a inversões de matriz repetidas. Eles sugerem que trabalhos futuros poderiam focar no desenvolvimento de estratégias de inferência aproximada (ex: inferência variacional de Bayes) para melhorar a escalabilidade. Adicionalmente, embora o método lide com zeros via pré-processamento padrão de pseudocontagem, ele não modela explicitamente a inflação de zeros dentro da estrutura de verossimilhança.