IRIS: time-structured manifold projections

Resumo Técnico: IRIS – Projeções de Variedades Estruturadas no Tempo

Declaração do Problema
Dados biomédicos de alta dimensão, como sequenciamento de RNA de célula única (scRNA-seq), metagenômica comparativa e embeddings de literatura científica, são cada vez mais gerados com dimensões temporais (ex: estágios de desenvolvimento, idades de indivíduos, datas de publicação). Embora os algoritmos de Aprendizado de Variedade (Manifold Learning) como t-SNE e UMAP sejam indispensáveis para visualizar estruturas de alta dimensão ao agrupar itens semelhantes, eles são inerentemente não supervisionados e não incorporam a ordenação temporal em suas estruturas de layout. Consequentemente, a dinâmica de tipos celulares ou outras classes ao longo do tempo é frequentemente obscurecida.

As soluções paliativas atuais são insuficientes:

1. Visualizações lado a lado: Colorir layouts por classe e tempo em gráficos separados exige uma varredura tediosa, tornando difícil estimar intervalos de tempo para classes específicas ou identificar extremos temporais.
2. UMAP Alinhado: Este método produz múltiplos layouts enquanto penaliza o movimento entre eles. No entanto, requer um pequeno número de fatias de tempo discretas e assume que os mesmos itens aparecem em múltiplas fatias, o que raramente ocorre em dados de scRNA-seq ou outros conjuntos de dados temporais. Além disso, exacerba o problema de múltiplas visualizações, muitas vezes necessitando de animações ou gráficos 3D desajeitados para mostrar trajetórias.

Metodologia
Os autores propõem o IRIS (Incorporating Radial time-structured Inverse Structure), um novo algoritmo de Aprendizado de Variedade que estrutura layouts de baixa dimensão tanto cronologicamente quanto pela topologia da variedade. O IRIS opera criando layouts circulares onde o tempo irradia para fora em anéis concêntricos, deixando a dimensão angular para codificar relações de alta dimensão.

O algoritmo procede em duas fases principais:

1. Fase 1: Otimização do Expoente Radial (Mapeamento Temporal)

   • Objetivo: Mapear carimbos de tempo (timestamps) para raios anulares de modo que a densidade de pontos seja radialmente uniforme, abordando o "problema do crowding" e garantindo que o tempo seja estimável a partir da posição.
   • Mecanismo: O tempo $t$ é mapeado para o raio $r$ através de uma função de potência: $r_i = \zeta + (1 - \zeta)t_i^\rho$, onde $\zeta$ é um hiperparâmetro que controla a razão do raio interno, e $\rho$ é um expoente global a ser otimizado.
   • Otimização: O algoritmo define uma Função de Densidade de Probabilidade (PDF) ideal $P(X)$ que representa uma distribuição uniforme de densidade através do anel. Ele então utiliza a divergência de Kullback-Leibler (KL) para encontrar o $\rho^*$ ideal que minimiza a divergência entre a PDF ideal e a distribuição real de raios $Q$ derivada dos dados. Esta fase considera a assimetria temporal.
   • Reamostragem: Para evitar artefatos de bandagem causados por rótulos temporais esparsos ou grosseiros, o IRIS oferece reamostragem temporal probabilística opcional (homogênea ou heterogênea) para criar uma distribuição de tempo mais contínua.

2. Fase 2: Otimização de Ângulos (Estrutura da Variedade)

   • Objetivo: Otimizar o ângulo $\theta_i$ de cada ponto para preservar relações de alta dimensão enquanto restringe os pontos aos raios determinados na Fase 1.
   • Mecanismo: O algoritmo reparametriza a função de custo Euclidiana de coordenadas cartesianas para polares. Ele utiliza uma estrutura probabilística semelhante ao LargeVis (um precursor do UMAP), definindo probabilidades de aresta baseadas em Vizinhos Próximos Aproximados (ANN).
   • Função de Custo: A função de custo $C$ equilibra a distância Euclidiana e a distância angular. Para pares positivos (vizinhos no espaço de alta dimensão), o custo minimiza a distância tanto no raio quanto no ângulo. Para pares negativos, maximiza a separação. O custo inclui um hiperparâmetro $\beta$ para equilibrar a contribuição da distância Euclidiana versus a distância angular.
   • Otimização: O gradiente descendente estocástico é usado para atualizar os ângulos $\Theta$ para minimizar a divergência das distribuições de distância entre os espaços de alta e baixa dimensão.

Principais Contribuições

• Inovação Algorítmica: O IRIS introduz um viés indutivo inovador que cria layouts circulares onde o tempo irradia para fora, permitindo que as relações temporais sejam visíveis diretamente da geometria do layout, em vez de depender de canais de cor.
• Reparametrização: O artigo detalha uma reparametrização matemática de funções de custo euclidianas para coordenadas polares, permitindo a otimização simultânea do mapeamento temporal global (raio) e da estrutura da variedade local (ângulo).
• Reamostragem Temporal: Uma estratégia proposta para lidar com rótulos temporais esparsos ou grosseiros para evitar artefatos visuais no layout.
• Implementação: O IRIS é implementado em Python e C++, aproveitando a estrutura do LargeVis, e está disponível como um pacote de código aberto.

Resultados
Os autores avaliaram o IRIS em cinco conjuntos de dados abrangendo três domínios biomédicos:

1. scRNA-seq (Embrião): Desenvolvimento pré-natal de camundongo (28.604 células).
2. scRNA-seq (Neuro): Atlas de doenças neurodegenerativas (30.556 amostras).
3. Metagenomas (Intestino): Dados do microbioma intestinal através de 29 estudos (4.479 amostras).
4. Literatura (ADRD): Corpus de Doença de Alzheimer e Demências Relacionadas (17.518 artigos).
5. Literatura (PD-1): Corpus da via de checkpoint imunológico (27.887 artigos).

Métricas de Avaliação:

• Estruturação de Classe (KNN): Medida pela precisão de um classificador K-Nearest Neighbors prevendo rótulos de classe a partir das coordenadas do layout.
• Estruturação de Tempo (SVR): Medida pelo ajuste $R^2$ de um modelo de Regressão de Vetores de Suporte prevendo carimbos de tempo a partir das coordenadas do layout.
• TMPS: Uma Pontuação de Projeção de Variedade Estruturada no Tempo definida como a média harmônica de KNN e SVR.

Descobertas:

• Clareza Visual: Os layouts do IRIS elucidam instantaneamente fenômenos dinâmicos (ex: ramificação de tipos celulares, origens distintas de precursores neuronais) que não são prontamente aparentes em pares de gráficos UMAP.
• Desempenho Quantitativo: Métricas quantitativas confirmam que o IRIS estrutura efetivamente os layouts por tempo (onde o UMAP apresenta baixo desempenho) enquanto retém uma estruturação de classe comparável ao UMAP.
• Escalabilidade: O tempo de execução do IRIS escala linearmente com o número de amostras.

Significância e Alegações
O artigo afirma que o IRIS fornece uma solução para a limitação dos algoritmos de Aprendizado de Variedade existentes no tratamento de dados temporais. Ao estruturar os layouts cronologicamente e pela topologia simultaneamente, o IRIS torna as relações temporais claramente visíveis a partir do próprio layout, liberando o canal de cor para codificar informações de classe. Os autores posicionam o IRIS como uma ferramenta capaz de visualizar uma ampla gama de dados biomédicos dinâmicos, oferecendo uma alternativa mais intuitiva e densa em informações do que comparações lado a lado ou animações de múltiplas visualizações. O trabalho é apresentado como uma contribuição de código aberto para o campo da visualização de dados e aprendizado de máquina na biomedicina.