Multimodal data integration and cross-modal querying via orchestrated approximate message passing

Resumo Técnico: Integração de Dados Multimodais e Consulta Transmodal via Passagem de Mensagem Aproximada Orquestrada

Formulação do Problema
O artigo aborda o desafio de integrar dados multimodais onde múltiplos conjuntos de características complementares são medidos no mesmo conjunto de amostras, um cenário prevalente em estudos de multiômica de célula única (por exemplo, medição simultânea de transcriptoma, proteínas de superfície e acessibilidade da cromatina). Os autores modelam isso como um problema multifatorial dependente envolvendo $m$ conjuntos de dados de alta dimensão ($X_h \in \mathbb{R}^{N \times p_h}$) e $\tilde{m}$ conjuntos de dados de baixa dimensão ($\tilde{X}_\ell \in \mathbb{R}^{N \times r_\ell}$).

Os componentes de sinal nessas matrizes são assumidos como originários de estruturas de baixo posto (low-rank) impulsionadas por fatores latentes. Os sinais de alta dimensão são modelados como $X_h = \frac{1}{\sqrt{N}} U_h D_h V_h^\top + W_h$, e os sinais de baixa dimensão como $\tilde{X}_\ell = \tilde{U}_\ell L_\ell^\top + \tilde{W}_\ell$. Crucialmente, os vetores de fatores latentes ($U_h$ e $\tilde{U}_\ell$) para o mesmo sujeito através de diferentes modalidades são assumidos como dependentes, extraídos de uma distribuição a priori conjunta $\mu$. O objetivo é duplo:

1. Integração de Dados: Recuperar conjuntamente os sinais latentes ($U_h, V_h, \tilde{U}_\ell$) a partir da coleção de matrizes ruidosas.
2. Consulta Transmodal (Cross-Modal Querying): Dado um novo sujeito de "consulta" com apenas observações parciais (um subconjunto de modalidades e/ou um subconjunto de características dentro das modalidades), construir um conjunto de predição estatisticamente válido para a representação latente completa do sujeito.

Observa-se que os métodos existentes (ex: WNN, MOFA+, totalVI) dependem de heurísticas carentes de fundamentos matemáticos rigorosos para generalização e, criticamente, falham em fornecer quantificação de incerteza para as predições.

Metodologia: OrchAMP
Os autores propõem o Orchestrated Approximate Message Passing (OrchAMP), um algoritmo totalmente orientado a dados projetado para alcançar a recuperação de sinal estatisticamente ótima e construir conjuntos de predição.

1. Inicialização: O algoritmo começa com uma decomposição de valor singular (SVD) das matrizes de dados observados para obter estimativas iniciais dos fatores latentes. Em seguida, estima parâmetros de incerteza (forças de sinal e estruturas de covariância) e aprende as distribuições a priori empíricas ($\hat{\mu}$ e $\hat{\nu}_h$) através de uma abordagem Bayesiana Empírica.
2. Refinamento Iterativo: O OrchAMP realiza atualizações síncronas através de múltiplas "órbitas" (uma para cada modalidade). Em cada iteração $t$:
   • Denoising (Redução de Ruído): O algoritmo aplica denoisers por linha ($u_{t,h}$ e $v_{t,h}$) que são expectativas condicionais dos fatores latentes dadas as estimativas atuais e as distribuições a priori aprendidas. Esses denoisers integram informações de todas as modalidades simultaneamente.
   • Evolução de Estado: O algoritmo rastreia a distribuição assintótica das estimativas usando parâmetros de evolução de estado ($\Sigma, S$) que evoluem recursivamente.
   • Correção de Onsager: Para garantir que as estimativas se comportem como ruído Gaussiano independente no limite de alta dimensão, o algoritmo subtrai termos envolvendo os Jacobianos dos denoisers (correções de Onsager) das atuais atualizações.
3. Construção do Conjunto de Predição: Para um sujeito de consulta com observações parciais, o método primeiro calcula uma estimativa pontual dos fatores latentes usando mínimos quadrados e o atlas aprendido. Em seguida, aproveita a normalidade assintótica das iterações do OrchAMP para definir uma distribuição condicional para os fatores latentes do sujeito de consulta. Um conjunto de predição é construído como uma bola $\ell_2$ centrada na estimativa pontual, com um raio determinado pelo quantil $(1-\alpha)$ da distância euclidiana sob a distribuição condicional, garantindo validade assintótica.

Principais Contribuições

1. Algoritmo OrchAMP: A proposta de um algoritmo totalmente orientado a dados para a estimativa integrativa de componentes de sinal em modelos fatoriais multimodais dependentes. O método lida com variações de postos de sinal entre modalidades e incorpora informação específica de cada modalidade sem destruí-la durante a integração.
2. Justificativa Teórica:
   • Normalidade Assintótica: Os autores estabelecem a normalidade assintótica de "grande $N$" de todas as iterações do algoritmo sob condições gerais para uma ampla gama de distribuições a priori.
   • Otimalidade Bayesiana: Sob uma condição de ponto fixo único na evolução de estado, os estimadores são mostrados como alcançando a otimalidade Bayesiana assintótica (minimizando o erro quadrático médio).
   • Conjuntos de Predição: O artigo fornece a primeira construção de conjuntos de predição assintoticamente válidos para sujeitos de consulta em um cenário multimodal. Estes conjuntos permanecem válidos mesmo se a condição de ponto fixo único não for satisfeita.
3. Validação Empírica: O método é validado em dados sintéticos e em dados reais de TEA-seq de célula única (transcriptoma, epítopos, acessibilidade da cromatina).

Resultados

• Dados Sintéticos: Em simulações, o OrchAMP supera o PCA Bayesiano Empírico (EB-PCA) separado e o SVD padrão, particularmente quando as razões sinal-ruído (SNR) são baixas ou quando a dependência intermodal ($\rho$) é alta. O ganho de desempenho é mais pronunciado para modalidades com sinais mais fracos, demonstrando o benefício de emprestar força entre as modalidades.
• Cobertura de Predição: Em experimentos de amostra finita, os conjuntos de predição de 95% construídos atingiram probabilidades de cobertura empírica próximas ao nível nominal (ex: 0.92–0.98), demonstrando a capacidade do método de fornecer quantificação de incerteza bem calibrada.
• Dados Reais (TEA-seq): Em um conjunto de dados de PBMC humano, o OrchAMP alcançou desempenho de agrupamento (medido por silhouette score, V-measure, ARI e cLISI) comparável a métodos de estado da arte como Seurat WNN e MOFA+.
• Consulta (Querying): Ao consultar o atlas construído com células medidas em apenas uma única modalidade, os conjuntos de predição resultantes mostraram-se altamente informativos, tipicamente ocupando um subconjunto específico do cluster correto de tipo celular, em vez de apenas fornecer um rótulo grosseiro.

Significância e Alegações
O artigo afirma fornecer um framework estatístico rigoroso para a integração de dados multimodais que vai além de abordagens heurísticas. Sua principal significância reside em:

• Garantias Teóricas: Oferecer garantias de desempenho prováveis e otimalidade assintótica sob um modelo multifatorial dependente estilizado, mas realista.
• Quantificação de Incerteza: Ser o primeiro método a gerar atlas que permitem conjuntos de predição assintoticamente válidos para novos sujeitos com observações parciais, abordando uma lacuna crítica nas práticas atuais de transferência de rótulos, onde a incerteza raramente é quantificada.
• Generalidade: Embora motivado pela multiômica de célula única, o modelo e a teoria propostos são gerais e aplicáveis a qualquer cenário envolvendo sinais de baixo posto dependentes através de múltiplas fontes de dados.

Os autores enfatizam que, embora seu método iguale as capacidades de segregação celular de ferramentas existentes, ele oferece unicamente um caminho teoricamente justificável para a consulta transmodal com incerteza quantificada.