A Fast Screening Approach for High-dimensional Outcomes and High-dimensional Predictors

Resumo Técnico: Triagem de Independência de Grafo (GIDS)

Definição do Problema
A análise conjunta de dados multimodais de alta dimensionalidade (ex: genômica e transcriptômica) enfrenta desafios intrínsecos devido à ultra-alta dimensionalidade e às estruturas de dependência complexas. Métodos de triagem tradicionais, como a Triagem de Independência Segura (SIS), reduzem efetivamente o espaço de preditores, mas mantêm todas as variáveis de resposta. Em configurações conjuntas onde diferentes resultados selecionam subconjuntos distintos de preditores, a união dos preditores selecionados permanece grande, e a dimensão da resposta permanece inalterada. Essa limitação resulta em pesados encargos computacionais, baixa interpretabilidade e incapacidade de controlar o ruído proveniente de correlações espúrias, que cresce descontroladamente à medida que o número de preditores e respostas aumenta. Extensões existentes para múltiplas respostas frequentemente falham ao não realizar a triagem das próprias variáveis de resposta, deixando a matriz de correlação cruzada proibitivamente grande para armazenamento e computação.

Metodologia
Os autores propõem a Triagem de Independência de Grafo Dupla (GIDS), um framework projetado para reduzir simultaneamente a dimensionalidade tanto dos preditores ($X$) quanto das respostas ($Y$). A metodologia é construída sobre os seguintes componentes:

1. Formulação de Grafo Bipartido: A associação entre $X \in \mathbb{R}^{n \times p}$ e $Y \in \mathbb{R}^{n \times q}$ é modelada como um grafo bipartido $B=(U, V; E)$. O submodelo verdadeiro é definido não meramente como um conjunto de pares individuais, mas como uma coleção de subgrafos de quase-bicliques $\{B_c\}$, representando blocos densos de associações (módulos) entre subconjuntos de variáveis.
2. Métrica de $\lambda$-Densidade: Para identificar esses subgrafos, os autores introduzem uma medida de $\lambda$-densidade para um subgrafo $H=(U', V'; E')$:
   $$\text{den}_\lambda(H) = \frac{\sum_{i \in U', j \in V'} |R^\varepsilon_{ij}|}{(|U'||V'|)^\lambda}$$
   onde $|R^\varepsilon_{ij}|$ representa correlações amostrais absolutas truncadas (com limiar rígido em $\varepsilon$). Maximizar esta densidade é equivalente a minimizar uma função objetivo penalizada que equilibra a força de associação contra a complexidade (tamanho) do subgrafo, de forma análoga às penalidades de regressão esparsa.
3. Algoritmo Ganancioso de Duas Fases:
   • Fase 1 (Triagem Grossa): Para lidar com restrições de memória onde a matriz de correlação total de $p \times q$ não pode ser armazenada, um algoritmo ganancioso eficiente em memória exclui iterativamente linhas e colunas com as menores pontuações agregadas. Isso reduz a dimensão de $(p, q)$ para um tamanho intermediário gerenciável $(p_{\text{fase1}}, q_{\text{fase1}})$. A aplicação de limiar rígido (hard thresholding) serve para suprimir correlações espúrias, reduzindo a taxa de erro da propriedade de triagem de $O(\exp(-\sqrt{n}))$ para $O(\exp(-n))$.
   • Fase 2 (Triagem Fina): Utilizando a matriz de correlação do conjunto reduzido, o algoritmo extrai subgrafos ao remover iterativamente os nós menos significativos (granularidade $k=1$) para maximizar a $\lambda$-densidade. Este processo é repetido através de uma grade de valores de $\lambda$.
4. Seleção de Modelo e Teste de Significância:
   • O parâmetro de ajuste ótimo $\lambda^*$ é selecionado maximizando a divergência de Kullback-Leibler (KL) entre a distribuição alvo (subgrafos extraídos) e uma distribuição de referência.
   • Um critério de parada baseado em um teste estatístico (usando um limite derivado do modelo Erdős–Rényi e da divergência KL) determina se um subgrafo extraído é estatisticamente significativo ou um achado espúrio.

Principais Contribuições

• Triagem Dupla: O GIDS é o primeiro framework a realizar a triagem simultânea de ambos os preditores e respostas, abordando o "problema da união" onde métodos tradicionais falham em reduzir a dimensão da resposta.
• Estrutura Baseada em Grafos: Ao modelar associações como quase-bicliques em vez de arestas individuais, o GIDS revela estruturas de interação por blocos (módulos), aumentando a interpretabilidade biológica.
• Eficiência Computacional: O algoritmo utiliza compressão baseada em histogramas e uma estratégia gananciosa de duas fases para gerenciar dados de ultra-alta dimensionalidade sem exigir o armazenamento da matriz de correlação cruzada completa.
• Garantias Teóricas: O artigo estabelece a propriedade de triagem segura (o submodelo verdadeiro está contido no conjunto triado com alta probabilidade) e propriedades de recuperação exata sob suposições suaves (concentração sub-Gaussiana das correlações amostrais). A taxa de erro para alcançar a propriedade de triagem segura é mostrada como $O(\exp(-\Omega(n)))$.

Resultados

• Estudos de Simulação: Em simulações com $n=200$ e dimensões variáveis ($p, q$ até 5.000), o GIDS foi comparado com o DC-SIS (Distance Correlation SIS), Bcor-SIS (Ball Correlation SIS) e PC-Screen (Projection Correlation Screening).
  • O GIDS alcançou consistentemente a maior sensibilidade, precisão e pontuações F1.
  • A lacuna de desempenho aumentou significativamente conforme a dimensão das variáveis de resposta ($q$) aumentava, demonstrando que métodos tradicionais são fortemente impactados pela alta dimensionalidade das respostas devido à falta de mecanismos de triagem de resposta.
• Aplicação ADNI: O GIDS foi aplicado ao conjunto de dados da Alzheimer's Disease Neuroimaging Initiative (ADNI), analisando interações entre 865.353 sítios de metilação de DNA e 49.386 variáveis transcriptômicas.
  • O método reduziu o espaço de características para aproximadamente 9.000 CpGs e 2.000 transcritos.
  • Identificou 17 subgrafos de quase-biclique distintos (módulos) com correlações absolutas médias em torno de 0,22, significativamente superiores à média global de 0,047.
  • Essas descobertas revelaram estruturas de interação por blocos, sugerindo mecanismos regulatórios coordenados subjacentes à doença de Alzheimer.

Significância
O artigo afirma que o GIDS fornece uma solução computacionalmente tratável e estatisticamente rigorosa para a análise de dados conjuntos de alta dimensionalidade. Ao reduzir simultaneamente as dimensões de preditores e respostas, ele supera os gargalos de memória e computação que tornam a análise conjunta tradicional inviável para conjuntos de dados de ultra-alta dimensionalidade (ex: exigindo ~300GB para uma única matriz de correlação no caso do ADNI). O método não apenas melhora a precisão da estimativa ao filtrar correlações espúrias, mas também fornece insights biológicos interpretáveis ao identificar estruturas regulatórias modulares, facilitando assim a descoberta de biomarcadores e vias mecanísticas em doenças complexas.