Sparse group principal component analysis via double thresholding with application to multi-cellular programs

Resumo Técnico: Análise de Componentes Principais de Grupos Esparsos via Duplo Limiarização

Definição do Problema
O artigo aborda o desafio de estimar Programas Multicelulares (MCPs) a partir de dados de sequenciamento de RNA de célula única (scRNA-seq) de alta dimensão. Os MCPs representam padrões coordenados de expressão gênica entre tipos celulares que interagem, impulsionando processos biológicos. Embora métodos como a Análise de Componentes Principais Esparsa (Sparse PCA) e modelos de fatores latentes sejam comumente utilizados, eles frequentemente enfrentam duas limitações neste contexto:

1. Escalabilidade Computacional: Métodos existentes que impõem estruturas de esparsidade complexas (por exemplo, relaxação convexa via projeções de Fantope) frequentemente sofrem com altos custos computacionais ($O(p^3)$), tornando-os impraticáveis para conjuntos de dados genômicos em larga escala onde o número de genes ($p$) excede em muito o número de amostras ($n$).
2. Eficiência Estatística: Métodos de Sparse PCA padrão normalmente impõem apenas esparsidade elemento a elemento. No entanto, a estimativa de MCP requer a captura de uma estrutura de esparsidade hierárquica:
   • Esparsidade ao nível de grupo: Apenas um pequeno subconjunto de genes (grupos) participa de um MCP específico.
   • Esparsidade dentro do grupo: Dentro de um gene ativo, a expressão pode estar ativa em apenas um subconjunto dos tipos celulares contribuintes.
     Métodos existentes frequentemente falham em explorar essa estrutura dual, levando a taxas de convergência subótimas e redução do poder estatístico para detecção de sinais.

Metodologia
Os autores propõem a Análise de Componentes Principais de Grupos Esparsos (SGPCA), um algoritmo projetado para estimar os componentes principais (PCs) líderes sob esparsidade hierárquica.

• Modelo: Os dados são modelados usando um modelo de covariância de pico de baixo rank onde os vetores de carga exibem esparsidade hierárquica. Cada gene é tratado como um grupo contendo valores de expressão através de $T$ tipos celulares.
• Algoritmo (Duplo Limiarização): O núcleo da SGPCA é um algoritmo de iteração de potência modificado que incorpora uma etapa de dupla limiarização em cada iteração:
  1. Limiarização por Grupo: Um operador de soft-thresholding em bloco é aplicado aos grupos de genes com base em suas normas $\ell_2$. Isso identifica grupos de genes ativos e reduz os inativos a zero.
  2. Limiarização por Elemento: Para os grupos retidos, um operador de soft-thresholding individual é aplicado para selecionar tipos celulares específicos dentro desses genes.
  3. Deflação: Para estimar múltiplos PCs, o algoritmo utiliza um procedimento de deflação para remover a influência dos componentes previamente estimados.
• Inicialização: O algoritmo utiliza um método de limiarização diagonal modificado (estendendo Johnstone e Lu, 2009) para fornecer uma inicialização consistente que respeita tanto a esparsidade de grupo quanto a de elemento.
• Seleção de Parâmetro de Ajuste: Em vez de depender de ajuste de dados ou níveis de esparsidade arbitrários, os autores propõem um critério baseado em reamostragem inspirado na seleção de estabilidade. Este método seleciona parâmetros de limiarização ($\eta$ para grupos, $\tau$ para elementos) maximizando o alinhamento (consistência) dos PCs estimados através de múltiplas subamostras dos dados.

Principais Contribuições

1. Eficiência Computacional: A SGPCA alcança uma complexidade computacional linear de $O(np)$ por iteração. Este é um avanço significativo em relação à complexidade $O(p^3)$ dos métodos baseados em ADMM usando projeções de Fantope (ex: Xiao e Xiao, 2024), tornando a SGPCA escalável para dados de expressão gênica de alta dimensão.
2. Garantias Teóricas: Sob um modelo de covariância de pico com esparsidade hierárquica, os autores estabelecem a consistência estatística do estimador SGPCA. Eles derivam uma taxa de convergência que é estritamente mais rápida que a de métodos concorrentes (como Xiao e Xiao, 2024 e Ma, 2013) quando a estrutura hierárquica é forte (ou seja, quando o número de grupos ativos é pequeno e a esparsidade dentro do grupo é alta). O limite de erro separa explicitamente erros não paramétricos de ruídos de nível de grupo e de nível de elemento.
3. Detecção de Sinal Superior: Através de simulações extensas, o artigo demonstra que a SGPCA alcança maior precisão de estimativa (alinhamento com os verdadeiros PCs) e menor erro do Tipo I (taxa de falsos positivos) na detecção de sinal em comparação com a PCA padrão e a SPC.
4. Implementação: Os autores fornecem um pacote R eficiente e amigável (SGPCA) que inclui o algoritmo, o procedimento de ajuste baseado em reamostragem e ferramentas para visualizar padrões de esparsidade.

Resultados

• Simulações: Em configurações variando tamanhos de grupo, estruturas de esparsidade (apenas grupo vs. grupo + elemento) e múltiplos picos, a SGPCA superou consistentemente a PCA padrão e a SPC.
  • A SGPCA manteve alto alinhamento com os verdadeiros PCs conforme os tamanhos de grupo aumentavam, enquanto o desempenho da PCA e da SPC deteriorou-se.
  • A SGPCA alcançou o menor erro do Tipo I, controlando efetivamente os falsos positivos enquanto mantinha um erro do Tipo II comparável a outros métodos.
• Aplicação em Dados de Lúpus: O método foi aplicado a um conjunto de dados de Lúpus Eritematoso Sistêmico (SLE) envolvendo quatro subtipos de células imunes.
  • A SGPCA identificou quatro MCPs distintos.
  • Usando um procedimento de teste desenviesado, os autores descobriram que o PC1 e o PC4 foram diferencialmente expressos entre pacientes com Lúpus e controles saudáveis.
  • O PC1 foi impulsionado principalmente por células T CD8+ e enriquecido para vias de ativação imune (ex: ativação leucocitária, processos efetores imunes), alinhando-se com a desregulação biológica conhecida no Lúpus.
  • A abordagem identificou com sucesso genes que são co-expressos através de múltiplos tipos celulares, destacando a necessidade de modelar tanto a esparsidade de grupo quanto a de elemento.

Significância e Alegações
O artigo afirma que a SGPCA oferece uma solução estatisticamente fundamentada e computacionalmente eficiente para estimar MCPs. Ao aproveitar explicitamente a esparsidade hierárquica inerente aos dados biológicos (genes ativos em tipos celulares específicos), o método alcança:

• Melhor Poder Estatístico: Melhor detecção de sinais verdadeiros com menos falsos positivos em comparação com métodos que ignoram a estrutura de grupo.
• Escalabilidade: A capacidade de lidar com conjuntos de dados genômicos de larga escala onde métodos hierárquicos anteriores eram computacionalmente proibitivos.
• Relevância Biológica: A capacidade de descobrir programas de expressão gênica coordenados entre tipos celulares que são biologicamente significativos e clinicamente relevantes, conforme demonstrado no estudo de Lúpus.

Os autores observam que, embora o método seja motivado pelo scRNA-seq, a esparsidade de grupo subjacente é aplicável a outros domínios com estruturas de grupo significativas, como dados de varejo online (categorias e produtos). O artigo conclui que a SGPCA fornece um arcabouço robusto para análise de dados de alta dimensão onde a esparsidade hierárquica está presente.