Tree-Structured Orthonormal Decomposition of the Aitchison Simplex

Resumo Técnico: Decomposição Ortonormal Estruturada em Árvore do Simplex de Aitchison

1. Definição do Problema

Dados composicionais — vetores de componentes não negativos que somam uma constante (ex: abundâncias microbianas, proporções de tipos celulares) — residem no simplex de Aitchison. A análise padrão baseia-se na geometria de Aitchison, onde a inferência é feita com base em razões em vez de valores absolutos. A transformação de Razão Logarítmica Isométrica (ILR) mapeia este simplex para um espaço tangente euclidiano, fornecendo um sistema de coordenadas ortonormal.

No entanto, os métodos ILR existentes enfrentam uma limitação crítica ao lidar com árvores politomas (nós com mais de dois filhos), que são onipresentes em hierarquias do mundo real como taxonomias, filogenias e ontologias.

• Incompatibilidade Estrutural: Embora árvores binárias permitam um mapeamento um-para-um entre nós internos e contrastes de razão logarítmica (balanços), os nós politomos requerem $k-1$ contrastes ortogonais para capturar toda a estrutura local de $k$ filhos.
• Escolhas Arbitrárias: As abordagens atuais frequentemente forçam árvores politomas a resoluções binárias (ex: PhILR), introduzando nós e divisões artificiais não presentes na hierarquia original. Isso leva a sistemas de coordenadas que são não canônicos, instáveis e dependentes de escolhas de binarização arbitrárias.
• Geometria Incompleta: Os métodos existentes ou ignoram a estrutura hierárquica ou falham em fornecer uma base ortonormal canônica completa que respeite a estrutura de ramificação total de árvores arbitrárias sem sacrificar a propriedade isométrica da geometria de Aitchison.

2. Metodologia: PolyILR

Os autores propõem o PolyILR (ILR Politomo), uma decomposição ortonormal canônica do espaço tangente de Aitchison alinhada com qualquer topologia de árvore enraizada, incluindo politomos.

Construção Central:

1. Geometria Local em Nós Internos: Para cada nó interno $u$ com $k_u$ filhos, o método define um subespaço de contraste local $S_u \subset \mathbb{R}^{k_u}$ consistindo em vetores que somam zero. Este subespaço captura todas as comparações relativas entre as $k_u$ clades descendentes.
2. Produto Interno Ponderado: Para garantir que a ortonormalidade local se estenda à ortonormalidade global, o método equipa $S_u$ com um produto interno ponderado:
   $$\langle h, h' \rangle_w = \sum_{r=1}^{k_u} \frac{h_r h'_r}{n_r}$$
   onde $n_r$ é o número de folhas na subárvore do $r$-ésimo filho. Esta ponderação leva em conta tamanhos desiguais de subárvores, garantindo que a propagação de vetores locais para vetores de folhas globais preserve a ortogonalidade.
3. Seleção de Base Canônica: Os autores utilizam contrastes de Helmert como um ponto de partida determinístico. Estes são então ortonormalizados sob o produto interno ponderado $\langle \cdot, \cdot \rangle_w$ usando o processo de Gram-Schmidt. Isso gera uma base local $\tilde{H}(u)$ única dada uma ordem fixa de filhos.
4. Propagação Global (Global Spreading): Cada vetor de base local é "propagado" para o espaço de folhas global $\mathbb{R}^d$. Se uma folha $i$ descende do filho $r$ do nó $u$, seu valor no vetor global é escalonado por $1/n_r$. Este escalonamento específico garante que o produto interno global de dois vetores propagados seja igual ao seu produto interno ponderado local.
5. Montagem: A coleta dos vetores propagados de todos os nós internos forma a matriz de base global $V \in \mathbb{R}^{d \times (d-1)}$.

Propriedades Teóricas:

• Isometria: A transformação $\phi(x) = V^\top \log x$ é uma isometria do simplex de Aitchison para $\mathbb{R}^{d-1}$.
• Propriedade de Contraste: $V^\top \mathbf{1} = 0$, garantindo que as coordenadas representem razões logarítmicas.
• Ortonormalidade: $V^\top V = I_{d-1}$.
• Canonicidade: Dada uma topologia de árvore fixa, rótulos de folhas e ordenação de filhos, a base é única. Além disso, a topologia da árvore pode ser recuperada a partir da estrutura de suporte das colunas da base.

3. Principais Contribuições

1. Decomposição Canônica: O PolyILR fornece a primeira decomposição ortonormal canônica completa do espaço tangente de Aitchison para topologias de árvore arbitrárias, resolvendo a incompatibilidade entre a geometria de Aitchison e hierarquias politomas.
2. Interpretabilidade: Cada coordenada no espaço transformado corresponde bijectivamente a um par nó-contraste específico na árvore. Isso permite a interpretação direta de características como razões logarítmicas entre grupos específicos de folhas (clades) em qualquer resolução.
3. Estabilidade: Ao evitar a binarização arbitrária, o PolyILR produz uma seleção de características estável. Em contraste, métodos que exigem resolução binária (como PhILR) produzem conjuntos de características instáveis que variam significativamente com diferentes escolhas de binarização.
4. Inferência Multiescala: A construção permite testes de hipóteses estruturados em múltiplas resoluções (ex: por profundidade, subárvore ou nó específico), pois as coordenadas em nós distintos ocupam subespaços ortogonais.
5. Conexão Teórica com Softmax: Os autores estabelecem uma nova conexão teórica entre o espaço tangente de Aitchison e o espaço logit de classificadores softmax. Eles mostram que o quociente do espaço logit sob equivalência de deslocamento é isomorfo ao espaço tangente de Aitchison, sugerindo que as coordenadas PolyILR podem ser usadas para analisar erros de modelo e gradientes em tarefas de classificação hierárquica.

4. Resultados Experimentais

Os autores avaliaram o PolyILR em benchmarks padrão de microbioma (HMP, cMD3) e célula única (DISCO).

• Validade da Representação: PolyILR, PhILR e CLR produziram desempenho idêntico para modelos lineares (SVM, Regressão Logística), confirmando a equivalência geométrica (isometria). O desempenho de Random Forest variou modestamente, consistente com a sensibilidade à escolha de eixos.
• Estabilidade de Características: O PolyILR demonstrou alta estabilidade na seleção de características (similaridade de Jaccard de top-$K$ características através de dobras de validação cruzada), enquanto o PhILR colapsou para uma estabilidade próxima de zero devido à instabilidade da binarização arbitrária.
• Interpretabilidade: As principais características identificadas pelo PolyILR corresponderam a contrastes biologicamente significativos consistentes com a literatura existente (ex: Streptococcus vs. Lactococcus em subsítios orais; Prevotella vs. Bacteroides em ocidentalização; desequilíbrios mieloides vs. eritroides em leucemia).
• Inferência ao Nível da Árvore: A agregação da importância das características por profundidade da árvore, subárvore ou nó revelou que os sinais preditivos se concentram em níveis hierárquicos específicos (ex: contrastes de nível grosseiro para ocidentalização; contrastes de nível de célula imune para leucemia), alinhando-se com estruturas biológicas conhecidas.
• Robustez: Uma análise preliminar mostrou que o PolyILR permanece estável sob ruído topológico (intercâmbios de vizinho mais próximo), com apenas mudanças locais nos vetores da base, ao contrário da interrupção global causada pela binarização.

5. Significância e Alegações

O artigo afirma que o PolyILR aborda uma lacuna fundamental na análise de dados composicionais ao fornecer um sistema de coordenadas geometricamente fundamentado, canônico e completo para dados organizados por árvores arbitrárias.

• Interpretabilidade sobre Desempenho: O objetivo principal é a interpretabilidade da própria representação. Cada coordenada é um contraste específico baseado na árvore, eliminando a necessidade de interpretação post-hoc de índices anônimos.
• Generalização: O PolyILR generaliza o PhILR (que é restrito a árvores binárias) para topologias arbitrárias sem sacrificar as propriedades isométricas da geometria de Aitchison.
• Aplicabilidade Mais Ampla: A conexão com classificadores softmax sugere que o PolyILR pode servir como uma ferramenta para analisar modelos probabilísticos hierárquicos, potencialmente localizando erros de modelo dentro de uma hierarquia de classes.

Os autores reconhecem limitações: o PolyILR requer uma árvore conhecida e fixa como entrada e não lida inerentemente com incerteza topológica (ex: suporte de bootstrap). Adicionalmente, como todos os métodos de razão logarítmica, requer pré-processamento de substituição de zeros. O artigo posiciona estes pontos como áreas para trabalhos futuros, em vez de falhas atuais.