Inference on covariance structure in high-dimensional multi-view data

1. O Problema

O artigo aborda a estimativa de covariância em dados multi-visão (multi-view data), um cenário comum em aplicações como biomedicina e precisão médica (ex: dados multi-ômicos: genômica, transcriptômica, proteômica).

• Desafios Principais:
  • Heterogeneidade: Diferentes "visões" (conjuntos de dados) possuem dimensionalidades, distribuições e razões sinal-ruído (SNR) muito distintas.
  • Limitações dos Métodos Atuais: Abordagens populares baseadas em decomposição fatorial (como MOFA) dependem de inferência Bayesiana via MCMC (caro e instável) ou aproximações variacionais (que subestimam a incerteza e carecem de garantias teóricas).
  • Viés de Estimativa: Métodos que concatenam os dados ou usam critérios de informação para selecionar fatores tendem a ignorar fatores ativos apenas em visões com menor dimensão ou menor SNR, levando a estimativas pobres de covariância intra e inter-visão.
  • Custo Computacional: A inferência em alta dimensão com modelos fatoriais completos é computacionalmente proibitiva.

2. Metodologia Proposta: FAMA

Os autores propõem o FAMA (Factor Analysis for Multi-view data via spectral Alignment). A metodologia evita a inferência direta de quais fatores são ativos em qual visão, focando primeiro na estimativa robusta dos fatores latentes comuns.

O procedimento divide-se em três etapas principais:

1. Estimativa Espectral de Fatores Latentes (Alinhamento):

   • Para cada visão $m$, realiza-se uma Decomposição em Valores Singulares (SVD) para obter projeções dos fatores latentes específicos daquela visão.
   • Calcula-se a média empírica dessas projeções para criar uma matriz global $\tilde{P}$.
   • Uma nova SVD em $\tilde{P}$ é utilizada para estimar a matriz global de fatores latentes $\hat{F}$ (ativos em pelo menos uma visão).
   • Vantagem: Isso permite estimar os fatores com precisão independentemente da heterogeneidade de SNR ou dimensão entre as visões, contornando o problema de "perder" fatores em visões ruidosas.

2. Inferência de Cargas (Loadings) via Regressão Surrogada:

   • Tratando $\hat{F}$ como covariáveis observadas, o problema de estimar as cargas ($\Lambda$) e variâncias residuais ($\Psi$) é transformado em um conjunto de problemas de regressão multivariada.
   • Utilizam-se prioris conjugadas Normal-Inverso-Gama para cargas e variâncias.
   • Resultado: A distribuição posterior é analítica (produto de distribuições Normal-Inverso-Gama), permitindo computação paralela e instantânea, eliminando a necessidade de MCMC.

3. Correção de Incerteza (Inflação de Variância):

   • Como os fatores $\hat{F}$ são estimados e não conhecidos, a posterior padrão subestima a incerteza (subcobertura).
   • Os autores propõem inflar a variância posterior por um fator $\rho_m > 1$, derivado teoricamente para garantir cobertura frequentista assintoticamente válida dos intervalos de credibilidade.

3. Contribuições Chave

• Estimativa Espectral Alinhada: Um método baseado em SVD para estimar e alinhar fatores latentes ativos em qualquer visão, robusto à heterogeneidade de dados.
• Computação Escalável: Eliminação completa de amostragem MCMC. A inferência é feita via fórmulas analíticas fechadas, tornando o método extremamente rápido (ordens de magnitude mais rápido que MOFA ou ROTATE).
• Quantificação de Incerteza Válida: Desenvolvimento de uma correção de variância que garante que os intervalos de credibilidade tenham cobertura frequentista correta, algo raro em métodos variacionais ou de estimativa pontual rápida.
• Suporte Teórico Rigoroso: Prova de propriedades assintóticas favoráveis no regime de "alta dimensão" (onde tanto o tamanho da amostra $n$ quanto as dimensões $p_m$ tendem ao infinito):
  • Contração da posterior em torno do parâmetro verdadeiro.
  • Teorema do Limite Central para os estimadores pontuais.
  • Resultado do tipo Bernstein-von Mises, caracterizando a distribuição assintótica da posterior.

4. Resultados Experimentais

Os autores compararam o FAMA com MOFA, AJIVE, FABLE, ROTATE e estimadores empíricos em simulações e em dados reais.

• Simulações:

  • Precisão: O FAMA superou ou empatou com os melhores concorrentes na estimativa de covariâncias intra-visão e inter-visão, especialmente em cenários desbalanceados (onde uma visão tem muito menos variáveis ou sinal que as outras).
  • Incerteza: Os intervalos de credibilidade do FAMA apresentaram cobertura próxima de 95% (o nível nominal), enquanto métodos como FABLE sofreram de subcobertura significativa.
  • Velocidade: O FAMA foi drasticamente mais rápido (segundos vs. minutos/horas para outros métodos).

• Aplicação Real (Dados Multi-ômicos de Câncer):

  • Utilizou-se um conjunto de dados com 4 visões (RNA-seq, CNV, Metilação de DNA, RPPA) de 170 amostras de tumores.
  • Desempenho: O FAMA obteve a melhor verossimilhança fora da amostra (out-of-sample log-likelihood) na maioria dos casos, superando MOFA e ROTATE.
  • Interpretabilidade Biológica: O método identificou estruturas de correlação biologicamente plausíveis, como:
    • Módulos de genes associados a células B e plasmócitos na visão de RNA-seq.
    • Padrões de metilação inversa associados a genes de desenvolvimento e EMT (transição epitélio-mesenquimal).
    • Relações inversas entre metilação do promotor do gene ESR1 e expressão da proteína do Receptor de Estrogênio, consistente com a literatura sobre câncer de mama.

5. Significado e Conclusão

O FAMA representa um avanço significativo na análise de dados multi-visão de alta dimensão ao resolver o dilema entre velocidade computacional e validade estatística.

• Ao evitar o MCMC caro e as aproximações variacionais imprecisas, o método torna viável a análise de grandes conjuntos de dados multi-ômicos em tempo real.
• A garantia teórica de cobertura frequentista é crucial para aplicações científicas onde a quantificação correta da incerteza é tão importante quanto a estimativa pontual.
• O trabalho abre caminho para extensões futuras, incluindo dados não contínuos (binários/contagem) e variantes supervisionadas para predição de desfechos clínicos.

Em resumo, o FAMA oferece uma solução rápida, precisa e teoricamente fundamentada para a integração e inferência de estrutura de covariância em dados complexos e heterogêneos.