Module-Structured Mixture Factor Models to Identify Outcome-Specific Signatures in Gene Expression Data

Resumo Técnico: Modelos de Fator de Mistura Estruturados por Módulos para Assinaturas Específicas de Desfecho em Dados de Expressão Gênica

Definição do Problema
Dados de expressão gênica de alto rendimento apresentam desafios significativos para o agrupamento (clustering) não supervisionado e a descoberta de subtipos de doenças devido à sua alta dimensionalidade, dependências intergênicas complexas e heterogeneidade biológica pronunciada. Abordagens tradicionais enfrentam um dilema: métodos que ignoram a organização modular (baseando-se em efeitos marginais de genes ou suposições de covariância simplistas) sofrem de instabilidade numérica e baixa interpretabilidade, enquanto a modelagem de covariância totalmente não estruturada é estatisticamente inviável e computacionalmente proibitiva em cenários de alta dimensionalidade. Além disso, modelos de mistura existentes frequentemente tratam os genes como variáveis intercambiáveis, falhando em considerar explicitamente a organização modular inerente aos sistemas biológicos, o que limita a captura de fontes de variação específicas de vias (pathways).

Metodologia
Os autores propõem um Modelo de Fator de Mistura Estruturado por Módulos (MS-MFM) que integra a modelagem de mistura finita com representações de fatores latentes de baixo posto definidas ao nível de módulo-gene.

• Estrutura do Modelo: O modelo assume uma mistura finita de $K$ clusters latentes. Vetores de expressão gênica $x_i$ são modelados condicionalmente à membresia do cluster $z_i=k$ via um processo generativo hierárquico:
  $$x_i | (z_i=k) = \delta + M\alpha_k + Bf_i + \varepsilon_i$$
  onde:

  • $\delta$ representa os efeitos globais de linha de base específicos de cada gene.
  • $M\alpha_k$ codifica os deslocamentos de nível de módulo específicos do cluster ($\alpha_k$), onde $M$ é uma matriz de atribuição gene-módulo. Isso permite que diferenças de média sejam capturadas ao nível da via/módulo, em vez do nível de gene individual.
  • $Bf_i$ modela a dependência latente dentro dos módulos. A matriz de carregamento $B$ é restringida como $B = SMU$, onde $S$ contém escalonamentos específicos de genes, $U$ contém direções de carregamento ao nível de módulo, e $f_i$ são fatores latentes. Esta estrutura impõe que genes dentro do mesmo módulo compartilhem direções de fatores comuns.
  • $\varepsilon_i \sim N(0, D)$ representa o ruído residual específico do gene com covariância diagonal $D$.

• Estimativa de Parâmetros: Um algoritmo de Expectativa–Maximização Condicional (ECM) é desenvolvido para a estimativa de parâmetros. O framework ECM decompõe o passo de maximização em uma sequência de problemas de maximização condicional de menor dimensão (atualizando proporções de mistura, efeitos de módulo, médias globais, coeficientes de escala, direções de carregamento e variâncias residuais separadamente). Esta abordagem garante estabilidade numérica e escalabilidade em configurações transcriptômicas de alta dimensionalidade.

• Construção de Módulos de Genes: Como etapa de pré-processamento, os genes são filtrados por Desvio Absoluto da Mediana (MAD) e agrupados usando agrupamento hierárquico aglomerativo baseado em correlações pareadas para definir módulos de coexpressão. O artigo observa que o framework de modelagem é agnóstico ao método específico de construção de módulos e pode acomodar módulos definidos externamente.

Resultos Principais
O framework foi aplicado a um grande conjunto de dados transcriptômicos clínicos compreendendo 785 amostras de duas doenças autoimunes: Lúpus Eritematoso Sistêmico (LES) e Artrite Reumatóide (AR).

• Separação de Doenças Não Supervisionada: Apesar de não utilizar rótulos de doença durante o ajuste, o modelo (selecionado via BIC com $K=9$ clusters e $q=8$ fatores latentes) separou naturalmente as amostras em clusters dominados ou por AR ou por LES. Isso indica que as principais estruturas moleculares associadas à doença emergem dos dados sem supervisão.
• Descoberta de Subtipos: O modelo identificou heterogeneidade substancial dentro de cada doença.
  • Clusters de AR: Caracterizados por efeitos de módulo positivos coordenados (ativação), particularmente em módulos relacionados à biogênese de ribossomos, processamento de RNA e modificação de proteínas. Um cluster (Cluster 6) exibiu uma assinatura bidirecional distinta com ativação e supressão fortes simultâneas, sugerindo um estado molecular desregulado.
  • Clusters de LES: Caracterizados por efeitos de módulo amplamente negativos (supressão), particularmente em módulos enriquecidos para sinalização imune e vias inflamatórias.
• Interpretação Funcional: A análise de enriquecimento (GO, KEGG e Human Phenotype Ontology) vinculou os clusters inferidos a processos biológicos e fenótipos clínicos específicos. Por exemplo, os clusters dominantes de LES foram vinculados à supressão imune e fenótipos autoimunes, enquanto os clusters de AR foram vinculados à atividade biossintética.
• Desempenho Comparativo: Uma análise comparativa contra um modelo utilizando módulos construídos via Análise de Rede de Coexpressão Ponderada (WGCNA) demonstrou a superioridade da abordagem proposta. O modelo baseado em WGCNA, que resultou em apenas 3 módulos, falhou em capturar a heterogeneidade da doença (produzindo clusters de doenças mistos) e apresentou um BIC significativamente pior ($\Delta$BIC $\approx$ 250.000) comparado ao modelo baseado em MAD-HC (19 módulos). Isso sugere que a estrutura de módulo de grão mais fino é essencial para um agrupamento de alta resolução.

Significância e Alegações
O artigo alega que o framework proposto alcança um equilíbrio principiológico entre flexibilidade de modelagem, interpretabilidade biológica e tratabilidade computacional. Suas principais contribuições são:

1. Estrutura Modular Explícita: Ao incorporar módulos de genes tanto na estrutura da média (via deslocamentos específicos de cluster) quanto na covariância (via fatores latentes compartilhados), o modelo captura padrões de dependência biologicamente significativos que os modelos de mistura convencionais perdem.
2. Interpretabilidade: A decomposição da variabilidade em efeitos globais, deslocamentos de nível de módulo, dependência latente e ruído residual permite a identificação de "módulos de assinatura" que definem subtipos moleculares, indo além do simples agrupamento de nível de gene.
3. Escalabilidade: O algoritmo ECM permite a inferência estável em configurações de alta dimensionalidade onde o número de genes excede amplamente o número de amostras.
4. Relevância Clínica: A capacidade de identificar subtipos moleculares distintos e funcionalmente distintos dentro de doenças autoimunes complexas sugere potenciais estratégias para estratificação de pacientes e intervenção direcionada, destacando a presença de heterogeneidade além da classificação binária de doenças.

Os autores concluem que, embora a abordagem atual trate os módulos como entradas fixas, trabalhos futuros poderiam estender o aprendizado conjunto das estruturas de módulos dentro do framework de mistura ou aplicar a formulação a outras modalidades biológicas de alta dimensionalidade, como proteômica.