Zero-inflated modeling with smoothing on counting tensors

Resumo Técnico: Modelagem de Inflação de Zeros com Suavização em Tensores de Contagem

Título Original: Zero-inflated modeling with smoothing on counting tensors
Autores: Elena Tuzhilina e Yaoming Zhen (Abril de 2026)

---

1. O Problema

O artigo aborda o desafio de analisar dados de contagem de alta dimensão representados como tensores de três vias (ex: pares de loci genômicos $\times$ pares de loci genômicos $\times$ células) que apresentam três características críticas:

1. Sparsidade Extrema e Inflação de Zeros: Muitos valores zero não representam a ausência real do fenômeno (zeros estruturais), mas sim falhas técnicas de detecção ou limitações de sequenciamento (zeros técnicos/dropout).
2. Heterogeneidade Celular: Diferentes subpopulações de células exibem padrões de organização distintos.
3. Estrutura de Suavização (Smoothness): Em dados genômicos (como Hi-C), a ordem dos loci importa; loci vizinhos tendem a ter padrões de interação similares devido à continuidade física do cromatina.

Os métodos existentes falham ao tratar esses problemas isoladamente: modelos de regressão clássicos não lidam com a estrutura de tensor, e a decomposição de tensores tradicional não acomoda a inflação de zeros.

2. Metodologia: O Modelo ZITS

Os autores propõem o ZITS (Zero-Inflated Tensor model with Smoothing), um framework probabilístico unificado que integra:

• Distribuição Poisson com Inflação de Zeros (ZIP): O modelo assume que a contagem observada $C_{i,j,k}$ é o produto de uma variável de Bernoulli (que decide se o dado foi "mascarado" por erro técnico) e uma variável Poisson (que representa a intensidade real do contato). Isso permite separar matematicamente o erro técnico do sinal biológico.
• Decomposição de Tensor CP de Baixo Rank com Estrutura de Cluster: Para capturar a heterogeneidade, o modelo utiliza uma decomposição CP (Canonical Polyadic) onde as intensidades e as probabilidades de mascaramento compartilham uma estrutura de embeddings latentes. As células são agrupadas em clusters, e células do mesmo cluster compartilham parâmetros de embutimento, reduzindo a complexidade do modelo.
• Suavização Funcional via Expansão de Base: Para capturar a continuidade genômica, os embeddings dos loci são modelados como funções suaves utilizando uma expansão de base ortonormal (como splines ou funções de base), garantindo que a variação ao longo do genoma seja estruturada e não aleatória.

3. Principais Contribuições

• Contribuições Teóricas:
  • Identificabilidade: Demonstram que os parâmetros do modelo (clusters, intensidades e embeddings) podem ser recuperados de forma única sob condições moderadas.
  • Consistência: Estabelecem taxas de consistência para o estimador de máxima verossimilhança em regimes de alta dimensão, provando que o erro diminui conforme o número de amostras aumenta.
  • Classificador de Bayes Ótimo: Desenvolvem um método para distinguir zeros estruturais de zeros técnicos com base na probabilidade posterior, permitindo a imputação de dados faltantes de forma fundamentada.
• Contribuições Metodológicas:
  • Um algoritmo de otimização baseado em gradiente alternado para estimar os parâmetros.
  • Um procedimento de imputação que substitui zeros técnicos por valores estimados da intensidade Poisson, melhorando a qualidade dos dados para análises subsequentes.

4. Resultados e Validação

Os autores validaram o modelo através de simulações e dados reais de single-cell Hi-C:

• Simulações: O ZITS superou métodos de inicialização aleatória e decomposições CP simples, mostrando robustez mesmo quando a dimensão do espaço latente é mal especificada.
• Detecção de Zeros: O modelo mostrou alta precisão e recall na identificação de dropouts técnicos, especialmente em regimes de alta esparsidade.
• Dados Reais (Hi-C Humano):
  • Separação de Tipos Celulares: A imputação realizada pelo ZITS aumentou significativamente o Índice Rand Ajustado (ARI), facilitando a distinção entre tipos celulares (ex: HAP1, HeLa, K562) em comparação com os dados brutos.
  • Desempenho Comparativo: O ZITS superou métodos de estado da arte como HiCImpute e scHiCSRS na recuperação da estrutura de organização 3D da cromatina.

5. Significância

A importância deste trabalho reside na criação de uma ponte entre a estatística de contagem (especializada em zeros) e a análise de tensores (especializada em dependências multidimensionais). O framework ZITS não é limitado apenas à genômica; ele é aplicável a qualquer domínio de dados de contagem multidimensionais com esparsidade e estrutura ordenada, como ecologia (contagem de espécies por local/tempo) e sistemas de recomendação.