Resumo Técnico: Um Modelo Contaminado para Dados de Contagem Multinomial de Microbioma com Sobredispersão

1. Definição do Problema

Dados de contagem multinomial, particularmente no contexto de sequenciamento do microbioma intestinal humano, frequentemente exibem sobredispersão, onde a variabilidade observada excede a prevista pela distribuição multinomial padrão. A distribuição Dirichlet-multinomial (DM) é a solução canônica para essa sobredispersão; no entanto, ela permanece sensível a observações anômalas (contaminação).

Em conjuntos de dados do mundo real, tais anomalias podem surgir de ruído experimental ou de outliers biológicos. Quando presentes, essas observações inflam desproporcionalmente o parâmetro de dispersão estimado do modelo DM. Essa distorção leva a estimativas de parâmetros enviesadas e a inferências biológicas potencialmente enganosas. Enquanto "anomalias grosseiras" (observações imprevisíveis) são tipicamente removidas, "anomalias leves" (observações de uma população que difere do modelo assumido) requerem uma abordagem de modelagem que possa acomodá-las sem descartar os dados. Os modelos DM existentes carecem da flexibilidade para distinguir entre a sobredispersão genuína e a variância induzida por contaminação.

2. Metodologia

2.1. A Distribuição Dirichlet-Multinomial Contaminada (CDM)

Os autores propõem a distribuição Dirichlet-Multinomial Contaminada (CDM), um modelo de mistura de dois componentes projetado para lidar com anomalias leves. A função de massa de probabilidade (PMF) é definida como:

$$f_{CDM_m}(y; \pi, \sigma, \delta, \eta) = (1 - \delta) f_{DM_m}(y; \pi, \sigma) + \delta f_{DM_m}(y; \pi, \eta\sigma)$$

Onde:

• Componente de Referência: $(1 - \delta) f_{DM_m}(y; \pi, \sigma)$ representa os dados típicos, seguindo uma distribuição DM padrão com proporções médias $\pi$ e dispersão $\sigma$.
• Componente Contaminante: $\delta f_{DM_m}(y; \pi, \eta\sigma)$ representa os dados anômalos. Ele compartilha o mesmo vetor de médias $\pi$, mas possui um parâmetro de dispersão inflada $\eta\sigma$, onde $\eta > 1$.
• Parâmetros:
  • $\pi$: Vetor de proporções médias (interpretável como frequências alélicas da população ou abundâncias relativas).
  • $\sigma$: Parâmetro de dispersão para o componente de referência.
  • $\delta \in (0, 1)$: A proporção de observações pertencentes ao componente contaminante.
  • $\eta > 1$: O fator de inflação que representa o grau de aumento da variabilidade no componente contaminante.

2.2. Identificabilidade

O artigo aborda a identificabilidade do modelo CDM. Embora misturas gerais de distribuições do tipo Dirichlet não sejam identificáveis em espaços de parâmetros irrestritos, a estrutura específica do modelo CDM (compartilhando um vetor de médias $\pi$ comum entre os componentes) garante a identificabilidade para $D \geq 3$ (onde $D$ é o número de categorias). A restrição $\eta > 1$ evita ainda a troca de rótulos (label switching) ao impor uma ordenação intrínseca onde o componente contaminante é estritamente mais disperso que o componente de referência.

2.3. Estimação e Inferência

• Estimação de Máxima Verossimilhança (MLE): Os parâmetros são estimados maximizando numericamente a função de log-verossimilhança. Os autores recomendam uma inicialização em duas etapas: primeiro, ajustar um modelo DM padrão para obter valores iniciais para $\pi$ e $\sigma$, e então usar estes para iniciar a estimação do CDM com $\delta \to 0^+$ e $\eta \to 1^+$.
• Seleção de Modelo: O Critério de Informação de Akaike (AIC) e o Critério de Informação Bayesiano (BIC) são usados para comparar o modelo CDM contra os modelos DM e multinomial padrão.
• Detecção de Anomalias: Probabilidades a posteriori são calculadas para classificar as observações. Uma observação $y$ é classificada como anômala se a probabilidade de ela originar-se do componente contaminante exceder 0,5 (embora este limiar possa ser ajustado).

3. Principais Contribuições

1. Distribuição Inovadora: Introdução da distribuição CDM, que modela explicitamente anomalias leves como um componente de alta dispersão que compartilha a mesma média que os dados de referência.
2. Robustez: Demonstração de que o modelo CDM reduz o peso da influência das observações anômalas nas estimativas dos parâmetros, evitando a inflação do parâmetro de dispersão que afeta os modelos DM padrão.
3. Interpretabilidade: O modelo fornece interpretações diretas para a contaminação: $\delta$ quantifica a proporção de anomalias e $\eta$ quantifica a severidade delas (inflação da variabilidade).
4. Detecção Automática: O framework gera uma regra natural para detecção de outliers via probabilidades a posteriori sem a necessidade de pré-especificação de observações suspeitas.

4. Resultados

4.1. Estudos de Simulação

Duas análises de sensibilidade foram conduzidas para avaliar o modelo CDM:

• Anomalias de Ponto Único: Em cenários onde um único ponto anômalo foi introduzido em distâncias variadas do agrupamento principal, o modelo CDM manteve estimativas de parâmetros estáveis. Em contraste, o erro de estimação do modelo DM padrão aumentou significativamente à medida que a anomalia se afastava do núcleo. O modelo CDM alcançou altas Taxas de Verdadeiros Positivos (TPR) para anomalias distintas, mantendo baixas Taxas de Falsos Positivos (FPR).
• Ruído de Fundo: Em cenários envolvendo 10% de ruído de fundo (distribuído uniformemente e reescalonado), o modelo CDM distinguiu efetivamente entre observações típicas e ruidosas. Embora a TPR não tenha atingido 1,0 (devido a algum ruído que se assemelha aos dados típicos), a FPR permaneceu consistentemente baixa (< 0,01). O modelo DM padrão mostrou viés significativo na estimativa das proporções médias, particularmente quando o ruído deslocou os dados para longe do centro do domínio.

4.2. Aplicação no Mundo Real

O modelo foi aplicado a dados de sequenciamento de rRNA 16S de Nakatsu et al. (2015), focando em seis filos bacterianos em dois subconjuntos: Saudável (Healthy) e Carcinoma (tecido adjacente a tumores).

• Ajuste do Modelo: Em ambos os subconjuntos, o modelo CDM superou os modelos DM e multinomial padrão em todos os critérios de informação (AIC e BIC).
• Estimativas de Parâmetros:
  • Subconjunto Saudável: O modelo CDM identificou aproximadamente 21,3% das observações como anômalas ($\hat{\delta} = 0,213$) com um alto fator de inflação ($\hat{\eta} \approx 4,0$). Crucialmente, a dispersão estimada para o componente de referência ($\hat{\sigma} = 0,091$) foi substancialmente menor do que a do modelo DM padrão ($\hat{\sigma} = 0,174$), indicando que o modelo padrão estava superestimando a dispersão devido à contaminação.
  • Subconjunto de Carcinoma: Resultados semelhantes foram observados, com 17,8% das observações classificadas como anômalas. A dispersão de referência foi reduzida de 0,125 (DM) para 0,068 (CDM).
• Identificação de Anomalias: O modelo identificou 11 observações anômalas no subconjunto saudável e 7 no subconjunto de carcinoma. A inspeção visual de gráficos de dispersão pareados confirmou que estas anomalias identificadas situavam-se na periferia da nuvem de dados, sugerindo que representam composições biológicas atípicas em vez de ruído aleatório.

5. Significância e Alegações

O artigo afirma que a distribuição CDM oferece uma ferramenta robusta e interpretável para analisar dados de contagem multinomial com sobredispersão, especificamente na pesquisa de microbioma. Sua principal significância reside na capacidade de:

1. Desacoplar a sobredispersão biológica genuína da inflação artificial causada por observações anômalas.
2. Prevenir inferências biológicas enganosas que surgem quando modelos DM padrão atribuem a contaminação ao processo biológico subjacente.
3. Fornecer um framework principado para detecção de anomalias que não exige a remoção de dados, preservando assim o tamanho da amostra e o poder estatístico.

Os autores concluem que, embora o modelo seja motivado por dados de microbioma, sua aplicabilidade estende-se a qualquer cenário envolvendo dados de contagem multinomial onde a contaminação e o excesso de variabilidade são características comuns. O trabalho não pretende resolver o problema de "anomalias grosseiras" (que exigem remoção), mas foca especificamente em "anomalias leves" através de uma abordagem flexível de modelagem de mistura.