Single Change-Point Detection via Energy Distance with Application to Genomic Data

1. Formulação do Problema

O artigo aborda o problema estatístico fundamental de detecção de pontos de mudança em sequências de observações independentes. Especificamente, foca em:

• Detecção de Único Ponto de Mudança: Identificar uma única localização desconhecida $k^*$ em uma sequência $X_1, \dots, X_n$ onde a distribuição subjacente muda de $F_1$ para $F_2$.
• Requisitos Não Paramétricos: O método deve ser robusto a várias suposições distribucionais (por exemplo, normal, normal assimétrica, exponencial) e capaz de detectar mudanças não apenas na localização (média), mas também na escala (variância) e na forma.
• Teste Global: O desafio de escanear toda a sequência para encontrar a máxima evidência de uma mudança, controlando as taxas de erro do Tipo I, particularmente quando a estatística de teste é um máximo sobre pontos de divisão dependentes.
• Contexto de Aplicação: O método é motivado pela análise de dados genômicos (especificamente dados de CGH de microarrays de cDNA), onde detectar variações estruturais (alterações no número de cópias) é crítico, e os dados frequentemente exibem não-normalidade e mudanças distribucionais complexas.

2. Metodologia

A abordagem proposta utiliza Distância de Energia, uma métrica entre distribuições de probabilidade introduzida por Székely e Rizzo, integrada em um framework de Estatística U.

A. A Estatística de Teste

O cerne do método é uma estatística de varredura de energia studentizada.

1. Definição de Distância de Energia: Para duas amostras $X$ e $Y$, a distância de energia empírica $E_{n,m}(X,Y)$ é definida usando distâncias euclidianas em pares com potência $\omega=1$:
   $$E_{n,m}(X, Y) = \frac{2}{nm}\sum |X_i - Y_j| - \frac{1}{n^2}\sum |X_i - X_j| - \frac{1}{m^2}\sum |Y_i - Y_j|$$
2. Formulação de Estatística U: A distância de energia entre dois segmentos divididos no índice $k$ é expressa como uma estatística U ponderada de duas amostras:
   $$E_k = 2U_{XY} - U_{XX} - U_{YY}$$
   onde $U_{XY}$, $U_{XX}$ e $U_{YY}$ são estatísticas U baseadas no núcleo $h(x,y) = \|x-y\|$.
3. Studentização: Para alcançar normalidade assintótica e estabilidade, a estatística é padronizada por um estimador da variância do núcleo degenerado ($s_{\Psi,n}$), derivado de uma decomposição de núcleo duplamente centrado.
   $$Z_{n,k} = \frac{k(n-k)}{\sqrt{2}n s_{\Psi,n}} E_k$$
   Esta studentização garante que a estatística seja assintoticamente pivotal (convergindo para uma normal padrão) sob a hipótese nula para pontos de divisão internos.

B. Detecção Global e Calibração

• Estatística de Varredura: A estatística de teste global é definida como o valor absoluto máximo da estatística studentizada sobre um conjunto interno aparado $K_\eta$ (para evitar problemas de fronteira):
  $$T_n = \max_{k \in K_\eta} |Z_{n,k}|$$
• Calibração de Valor Crítico: Embora a distribuição assintótica de $Z_{n,k}$ seja $N(0,1)$, a distribuição do máximo $T_n$ é complexa. O artigo propõe o uso de um teste de permutação para calibrar os valores críticos. Sob a hipótese nula de trocabilidade, os dados são permutados $L$ vezes (por exemplo, $L=999$) para gerar uma distribuição nula empírica para $T_n$.
• Múltiplos Pontos de Mudança: Para lidar com múltiplos pontos de mudança, o procedimento de mudança única é incorporado dentro de um framework de Segmentação Binária. O algoritmo aplica recursivamente o teste aos segmentos, dividindo no ponto de mudança detectado até que não restem mudanças significativas.
• Tratamento de Dependência: Para dados genômicos com dependência serial local, o artigo recomenda uma estratégia de permutação em blocos circulares para preservar a correlação de curto alcance durante a calibração, prevenindo falsos positivos devido a artefatos espaciais.

3. Contribuições Principais

1. Teoria Assintótica: O artigo deriva as propriedades assintóticas da estatística proposta.
   • Hipótese Nula: Prova que para qualquer divisão interna fixa $k$, $Z_{n,k} \xrightarrow{d} N(0,1)$.
   • Hipótese Alternativa: Estabelece a consistência da localização estimada do ponto de mudança ($\hat{k}/n \xrightarrow{p} \tau^*$) e mostra que a estatística de teste diverge para infinito sob a alternativa, garantindo a consistência do teste global.
2. Studentização Explícita: Ao contrário de muitos métodos existentes baseados em energia que dependem fortemente de reamostragem para padronização, este trabalho fornece uma studentização analítica explícita que produz uma estatística assintoticamente pivotal, simplificando a implementação e a análise teórica.
3. Robustez: O método é projetado para ser livre de distribuição, capturando mudanças na localização, escala e forma simultaneamente, sem exigir seleção de banda (diferentemente de métodos baseados em núcleo) ou construção de grafos (diferentemente de métodos baseados em grafos).
4. Aplicação Genômica: O método é aplicado com sucesso a dados de CGH de câncer de mama, demonstrando sua capacidade de detectar variações estruturais sutis que outros métodos poderiam suavizar.

4. Resultados

O artigo apresenta estudos extensivos de simulação e uma aplicação com dados reais.

A. Estudos de Simulação

O método (ED) foi comparado contra Fused Lasso (FL), E-Divisive (ECP) e PELT através de distribuições Normal, Normal Assimétrica e Exponencial.

• Controle de Erro do Tipo I: O ED demonstrou controle de erro do Tipo I estável e preciso (próximo ao nível nominal de 0,05) em todas as distribuições e tamanhos de amostra. Em contraste, o FL mostrou erros do Tipo I inflados (liberal) em certos cenários (por exemplo, Normal $n=100$), e ECP/PELT foram às vezes excessivamente conservadores.
• Desempenho de Poder:
  • Mudanças de Média/Escala: O ED consistentemente superou ou igualou os concorrentes, particularmente na detecção de mudanças pequenas a moderadas e em regiões de fronteira (onde o ponto de mudança está próximo do início ou do fim da sequência).
  • Assimetria: Sob distribuições Normal Assimétrica e Exponencial, o ED manteve poder superior, enquanto outros métodos lutaram com as formas não simétricas.
  • Mudanças Conjuntas: Quando média, variância e forma mudaram simultaneamente, o ED mostrou o crescimento de poder mais rápido à medida que o tamanho da amostra aumentava.
• Precisão de Localização: O ED forneceu estimativas altamente precisas da localização do ponto de mudança, com erros absolutos escalados comparáveis ao concorrente de melhor desempenho (ECP) e significativamente melhores que PELT e FL, especialmente para sinais fracos.
• Eficiência Computacional: O ED foi computacionalmente eficiente, com tempos de execução comparáveis ao ECP e mais rápidos que PELT e FL para os tamanhos de amostra testados ($n=200$).

B. Aplicação com Dados Reais (CGH de Câncer de Mama)

• Conjunto de Dados: Dados de microarrays de cDNA CGH da linhagem celular de câncer de mama MDA157 (6.691 sondas).
• Descobertas:
  • O método ED detectou um conjunto mais rico de pontos de ruptura em comparação com o Fused Lasso (Tibshirani & Wang, 2008), particularmente nos cromossomos #3, #6, #8 e #19.
  • Identificou mudanças distribucionais sutis que o FL tendia a super-suavizar.
  • Concordou com o FL em regiões estáveis (por exemplo, Cromossomo #15) e forneceu uma segmentação mais parcimoniosa que a Segmentação Binária Selvagem (WBS), evitando super-segmentação causada por ruído local.
  • O uso de calibração por permutação em blocos mitigou com sucesso a inflação de falsos positivos devido à dependência espacial nos dados genômicos.

5. Significado

Este artigo faz uma contribuição significativa para o campo da detecção de pontos de mudança ao:

• Conectar Teoria e Prática: Fornece uma base teórica rigorosa (normalidade assintótica e consistência) para uma estatística de varredura baseada em distância de energia, indo além de abordagens puramente algorítmicas.
• Robustez Aprimorada: Ao aproveitar a distância de energia, o método oferece um framework unificado que é robusto à não-normalidade e capaz de detectar mudanças distribucionais complexas (forma/escala) que testes de localização única perdem.
• Utilidade Genômica: Oferece uma ferramenta poderosa e computacionalmente eficiente para segmentação genômica, capaz de identificar variações no número de cópias biologicamente relevantes que frequentemente são perdidas por métodos baseados em suavização ou paramétricos.
• Direções Futuras: O trabalho estabelece as bases para extensões a dados de alta dimensão, monitoramento sequencial e configurações de múltiplas mudanças com dependência temporal.

Em resumo, a proposta estatística de varredura de Distância de Energia (ED) é um método robusto, teoricamente sólido e praticamente eficaz para detectar pontos de mudança únicos e múltiplos, particularmente em ambientes de dados complexos e não gaussianos como a genômica.