A scalable Bayesian functional factor model for high-dimensional longitudinal molecular data

1. Problema e Motivação

A pesquisa biomédica moderna gera dados moleculares longitudinais de alta dimensão (genes, proteínas, metabólitos) coletados ao longo do tempo para múltiplos indivíduos. Existem dois desafios principais não resolvidos por ferramentas estatísticas existentes:

• Integração de Dimensões: A maioria dos modelos trata ou a alta dimensionalidade (redução de dimensão via fatores latentes) ou a natureza funcional dos dados (análise de trajetórias temporais), mas raramente os combina de forma unificada.
• Interpretabilidade e Escalabilidade: Modelos existentes, como os baseados em Processos Gaussianos (ex: MEFISTO), tornam-se computacionalmente proibitivos com o aumento do número de sujeitos e variáveis. Além disso, muitos geram componentes densos (envolvendo todas as variáveis), o que dificulta a interpretação biológica de vias específicas.
• Contexto: O trabalho foi motivado por um estudo longitudinal de COVID-19 em hospitais de Cambridge, onde era necessário identificar processos biológicos coordenados e heterogeneidade na recuperação dos pacientes, com dados esparsos e irregularmente amostrados.

2. Metodologia Proposta

Os autores propõem um Modelo Fatorial Funcional Bayesiano Escalável, que combina modelagem de fatores latentes esparsos com Análise de Componentes Principais Funcionais (FPCA).

• Estrutura do Modelo:

  • Representação Latente: As trajetórias observadas $y_i(t)$ são decompostas em uma função média $\mu(t)$ e uma combinação linear de processos latentes $h_q(t)$ através de uma matriz de cargas $B$.
  • Esparsidade: A matriz de cargas $B$ é regularizada por um prior spike-and-slab, permitindo que cada fator latente influencie apenas um subconjunto específico de biomarcadores (interpretação de vias biológicas).
  • Componentes Funcionais: Cada processo latente $h_q(t)$ é modelado via FPCA, decompondo a variabilidade temporal dentro de cada fator em modos ortogonais (autofunções) e escores. Isso captura a heterogeneidade temporal específica de cada sujeito de forma parcimoniosa.
  • Inferência: O modelo utiliza splines para representar as funções e assume erros de medição heterocedásticos.

• Algoritmo de Inferência:

  • Devido à complexidade e alta dimensionalidade, a inferência por MCMC é inviável. Os autores desenvolveram um algoritmo de Inferência Variacional Annealed (Annealed Variational Inference).
  • O algoritmo utiliza um esquema de "temperatura" (annealing) para evitar ótimos locais na função de verossimilhança, comum em priores spike-and-slab.
  • As atualizações variacionais são de forma fechada (closed-form), garantindo eficiência computacional e escalabilidade para datasets com dezenas de milhares de variáveis.
  • O método é implementado no pacote R bayesSYNC.

• Seleção de Fatores: O modelo é ajustado com um número excessivo de fatores candidatos ($Q_{max}$), utilizando probabilidades posteriores de inclusão para descartar fatores irrelevantes, eliminando a necessidade de priores complexos de seleção de rank.

3. Contribuições Principais

1. Unificação de Abordagens: Integração coerente de modelagem fatorial esparsa e FPCA em um único framework hierárquico bayesiano, permitindo a identificação de vias biológicas específicas e a quantificação da variação temporal individual.
2. Escalabilidade Computacional: Desenvolvimento de um algoritmo variacional com atualizações analíticas e paralelizáveis, capaz de lidar com $p > 20.000$ variáveis e $N$ sujeitos, superando as limitações de métodos baseados em Processos Gaussianos.
3. Interpretabilidade Biológica: O uso de priores spike-and-slab gera estruturas de carga esparsas, facilitando a identificação de quais biomarcadores pertencem a quais processos latentes.
4. Inferência Robusta: A introdução do annealing na inferência variacional melhora significativamente a exploração do espaço de parâmetros multimodal, resultando em seleção de fatores mais precisa e melhor ajuste do modelo em comparação com a inferência variacional padrão ("vanilla").

4. Resultados

• Simulações:
  • O modelo recuperou com precisão a estrutura temporal e os padrões de carga esparsos em simulações com até 20.000 variáveis.
  • A inferência annealed superou a inferência variacional padrão, eliminando a seleção de fatores irrelevantes e reduzindo o erro de reconstrução da função média.
  • Comparação com MEFISTO: Em cenários de dimensão moderada, o método proposto (bayesSYNC) superou o MEFISTO (baseado em Processos Gaussianos) em precisão de recuperação de cargas e erro de trajetória. O MEFISTO mostrou-se computacionalmente inviável para $N > 40$ devido à necessidade de inverter matrizes de covariância grandes, enquanto o método proposto manteve um tempo de execução linear e estável.
• Aplicação ao COVID-19:
  • A análise dos dados de COVID-19 identificou dois fatores latentes principais:
    1. Um eixo de severidade da doença, caracterizado por marcadores inflamatórios (CRP, citocinas) e ativação da via da quinurenina (degradação de triptofano), correlacionado com gravidade clínica.
    2. Um eixo de recuperação, associado a metabólitos de aminoácidos.
  • Os escores funcionais dos sujeitos permitiram distinguir claramente grupos de severidade e trajetórias de recuperação, identificando heterogeneidade clínica significativa.

5. Significância e Impacto

Este trabalho fornece uma ferramenta estatística robusta e escalável para a era da biologia de sistemas longitudinal. Ao permitir a análise conjunta de milhares de biomarcadores ao longo do tempo, com interpretação biológica clara e eficiência computacional, o método é fundamental para:

• Descobrir mecanismos de doenças complexas (como COVID longa, câncer, doenças autoimunes).
• Estratificar pacientes com base em trajetórias dinâmicas de recuperação.
• Facilitar a translação de dados moleculares de alta dimensão para análises clínicas práticas, superando as barreiras computacionais de métodos anteriores.

A disponibilidade do pacote bayesSYNC democratiza o acesso a essas técnicas avançadas para a comunidade de pesquisa biomédica.