Spectral decomposition-assisted multi-study factor analysis

Resumo Técnico: Decomposição Espectral auxiliada por Análise de Fatores Multi-estudo (BLAST)

Problema
O artigo aborda o desafio da estimativa de covariância em dados de múltiplos estudos, particularmente em configurações de alta dimensão, como a ômica, onde a variação substancial entre estudos frequentemente impede a replicação de achados. O objetivo é analisar dados de múltiplos estudos ($S$) conjuntamente para distinguir entre componentes comuns (compartilhados) e específicos de cada estudo. Os autores focam no modelo de análise fatorial:
$$y_{si} = \Lambda \eta_{si} + \Gamma_s \phi_{si} + e_{si}$$
onde $\Lambda$ representa as cargas compartilhadas, $\Gamma_s$ representa as cargas específicas do estudo, $\eta_{si}$ e $\phi_{si}$ são fatores latentes, e $e_{si}$ é o ruído residual.

As abordagens existentes enfrentam limitações significativas:

1. Gargalos Computacionais: Métodos de Máxima Verossimilhança (EM) e Bayesianos (amostragem de Gibbs) sofrem com convergência lenta e problemas de mistura quando o número de variáveis ($p$) é grande.
2. Inferência Variacional (VI): Embora mais rápida, os algoritmos de VI muitas vezes carecem de garantias teóricas, subestimam a incerteza e produzem uma precisão de estimativa insatisfatória.
3. Identificabilidade e Métodos Espectrais: Abordagens espectrais anteriores frequentemente falham em fornecer quantificação de incerteza ou exigem suposições restritivas (ex: cargas ortogonais ou $p$ extremamente grande) para serem competitivas. Além disso, o modelo não é identificável sem restrições específicas, e restrições existentes (ex: exigir posto total das cargas combinadas) muitas vezes não são aplicadas na estimativa, levando a um desempenho insatisfatório.

Metodologia: BLAST
Os autores propõem o BLAST (Bayesian Latent Analysis through Spectral Training), uma metodologia que combina decomposição espectral para estimativa de fatores com regressão bayesiana substituta para inferência. O procedimento evita a custosa amostragem de Cadeias de Markov Monte Carlo (MCMC).

1. Estimativa Espectral de Fatores Latentes:

   • Separação entre Compartilhado e Específico: O método computa a decomposição em valores singulares (SVD) para a matriz de dados de cada estudo para obter matrizes de projeção nos subespaços dominantes.
   • Média de Projeções: Estas projeções específicas de cada estudo são calculadas pela média. O sinal ao longo dos eixos compartilhados é preservado, enquanto as direções específicas do estudo são atenuadas. Os vetores singulares principais desta matriz média estimam o subespaço compartilhado ($\Lambda$).
   • Projeção Ortogonal: O subespaço compartilhado é projetado para isolar a variação específica do estudo, permitindo a estimação dos fatores específicos do estudo ($\phi_{si}$). Inversamente, os fatores específicos do estudo são regredidos para isolar a variação compartilhada para a estimativa dos fatores compartilhados ($\eta_{si}$).
   • Seleção de Dimensão: As dimensões latentes ($k_0$ para o compartilhado, $q_s$ para o específico) são estimadas usando uma combinação de um Critério de Informação Conjunta (JIC) e uma regra de hiato espectral (método do cotovelo/elbow method) na matriz de projeção média.

2. Regressão Bayesiana Substituta:

   • Condicionado aos fatores latentes estimados, o problema se reduz a $p$ problemas de regressão separados para as matrizes de carga ($\Lambda$ e $\Gamma_s$).
   • Priors: Priores normais inverso-gama conjugadas são aplicadas às linhas das matrizes de carga e variâncias residuais.
   • Computação da Posterior: As distribuições posteriores são derivadas analiticamente. A média da posterior corresponde a uma solução de regressão ridge.
   • Paralelização: Devido à independência das linhas na especificação da prior, a posterior fatoriza através dos resultados, permitindo uma paralelização massiva e contornando o MCMC.

3. Quantificação de Incerteza e Calibração:

   • Os autores observam que os intervalos de credibilidade padrão da posterior substituta sofrem de uma leve subcobertura.
   • Inflação de Variância: Para alcançar uma cobertura frequentista assintoticamente válida, um fator de inflação de variância ($\rho$) é derivado analiticamente com base nas razões sinal-ruído das cargas estimadas. Este fator é ajustado para garantir que os intervalos de credibilidade tenham a cobertura assintótica correta.
   • Empirical Bayes: Hiperparâmetros (variâncias da prior) são estimados via Empirical Bayes para garantir a adaptabilidade aos dados.

Principais Contribuições Teóricas
O artigo estabelece fortes garantias frequentistas em um regime de duplo limite assintótico onde tanto o tamanho da amostra ($n$) quanto a dimensão ($p$) divergem:

• Consistência: Os estimadores de ponto para os componentes de baixo posto ($\Lambda\Lambda^\top$ e $\Gamma_s\Gamma_s^\top$) são consistentes.
• Taxas de Contração: As posteriores contraem em torno dos parâmetros verdadeiros em taxas de $O(1/\sqrt{n} + 1/\sqrt{p})$.
• Teorema do Limite Central (CLT): Os estimadores entrada a entrada são assintoticamente normais.
• Teorema de Bernstein-von Mises: A distribuição posterior induzida sobre os componentes de baixo posto converge para uma distribuição Gaussiana centrada no parâmetro verdadeiro com uma estrutura de variância específica, justificando o uso dos fatores de inflação de variância para intervalos de credibilidade válidos.
• Benção da Dimensionalidade: O erro de aproximação diminui conforme tanto o tamanho da amostra quanto a dimensão dos dados aumentam, formalizando uma "benção da dimensionalidade" para esta classe de modelos.

Resultados Empíricos
Experimentos numéricos comparam o BLAST contra Inferência Variacional (SVI, CAVI), o estimador espectral de Ando & Bai (2017) e abordagens baseadas em MCMC (em material suplementar).

• Precisão: O BLAST supera substancialmente os métodos variacionais na estimativa de componentes de variância de baixo posto e fatores latentes. É competitivo ou superior ao estimador espectral de Ando & Bai, particularmente quando as cargas não são estritamente ortogonais ou quando $p$ não é extremamente grande.
• Quantificação de Incerteza: O BLAST fornece intervalos de credibilidade de 95% bem calibrados (cobertura próxima a 95%), enquanto os métodos variacionais sofrem de severa subcobertura (frequentemente abaixo de 30-50%).
• Velocidade Computacional: O BLAST é significativamente mais rápido que o MCMC e competitivo ou até mais rápido que VI e métodos espectrais, escalando eficientemente para milhares de variáveis.
• Aplicação em Dados Reais: O método foi aplicado para integrar três estudos de expressão gênica (projeto ImmGen) envolvendo células imunes. O BLAST escalou com sucesso para milhares de genes (2.846 e 7.870 genes), superando os concorrentes em precisão de predição fora da amostra (MSE) e log-verossimilhança, além de fornecer intervalos preditivos confiáveis.

Significância e Alegações
Os autores afirmam que o BLAST oferece um "algoritmo rápido para obter estimativas de ponto e de intervalo precisas em análise de fatores de múltiplos estudos" sem a fragilidade computacional do MCMC. A significância do trabalho reside em:

1. Escalabilidade: Permitir a análise de dados de múltiplos estudos de alta dimensão (milhares de genes) que anteriormente eram computacionalmente proibitivos para métodos Bayesianos.
2. Rigor Teórico: Fornecer o primeiro conjunto de garantias frequentistas fortes (CLT, BvM, taxas de contração) para um modelo de fator de múltiplos estudos com componentes compartilhados e específicos, formalizando a "benção da dimensionalidade".
3. Utilidade Prática: Demonstrar que a decomposição espectral pode ser efetivamente combinada com a inferência Bayesiana para separar a variação compartilhada e específica, oferecendo uma alternativa robusta à inferência variacional, que frequentemente subestima a incerteza.

O artigo conclui que a metodologia é particularmente adequada para integrar conjuntos de dados genômicos para obter estimativas robustas de associações gênicas e melhorar as inferências sobre a covariância dentro e entre estudos em dados clínicos.