Multi-view biclustering via non-negative matrix tri-factorisation

该论文提出了一种名为 ResNMTF 的新型多视图双聚类方法，基于非负矩阵三分解技术，能够在无需预设簇数量的情况下识别重叠且非完备的双聚类，并扩展了轮廓系数为“双轮廓系数”以辅助超参数调优与可视化。

要点

这篇论文介绍了一种名为 ResNMTF 的新方法，以及一个用来评估这种新方法好坏的“新尺子”，叫做 双轮廓分数（Bisilhouette Score）。

为了让你更容易理解，我们可以把这篇论文的研究内容想象成是在整理一个巨大的、混乱的图书馆。

1. 背景：混乱的图书馆（多视图数据）

想象一下，你有一个超级图书馆，里面存放着成千上万本书（行，比如病人、文章、细胞），每本书里都有成千上万个单词或特征（列，比如基因、话题、蛋白质）。

• 多视图（Multi-view）： 这个图书馆很特别，它有三套不同的目录系统。

  • 第一套目录是按“书名”排的（比如基因表达数据）。
  • 第二套目录是按“作者”排的（比如 DNA 甲基化数据）。
  • 第三套目录是按“出版社”排的（比如蛋白质数据）。
  • 问题： 这三套目录描述的是同一批书，但侧重点不同。有时候，某些书在“书名”目录里很相似，但在“作者”目录里却完全不同。传统的整理方法要么只看其中一套目录（丢失信息），要么强行把三套目录混在一起（容易出错）。

• 双聚类（Biclustering）： 我们不想把整本书都归类，也不想把所有单词都归类。我们想找的是特定的组合。

  • 比如：找出“属于特定几类病人（行）”且“表现出特定几组基因（列）”的书。
  • 这就叫“双聚类”：同时把人和特征都分好组。

2. 核心创新一：ResNMTF（智能整理员）

论文提出了一个叫 ResNMTF 的“智能整理员”。

• 它是怎么工作的？
  想象这个整理员手里拿着三套不同的目录（三个视图）。它不像以前的整理员那样，要么死板地认为所有目录必须完全一致，要么完全不管它们之间的关系。
  • 灵活性： ResNMTF 很聪明，它知道：“哦，在‘书名’目录里，A 书和 B 书很像；但在‘作者’目录里，A 书和 C 书更像。”它允许不同的目录之间有不同的联系。
  • 去噪（稳定性分析）： 图书馆里有很多噪音（比如乱写的标签）。ResNMTF 会做一个“小测验”：它把书随机打乱一部分，再重新整理。如果某几本书在打乱后还能聚在一起，说明它们是真的有关系；如果一打乱就散了，说明那是噪音，整理员会把它们踢出去。
  • 自动计数： 以前整理员需要有人告诉它“请分成 5 组”。ResNMTF 不需要，它能自己尝试分成 3 组、4 组、5 组……然后选出最舒服的那一种。

3. 核心创新二：双轮廓分数（Bisilhouette Score，新尺子）

在整理完图书馆后，怎么知道整理得好不好呢？

• 旧尺子的局限： 以前常用的“轮廓分数”（Silhouette Score）就像是用一把直尺去量一堆形状怪异的积木。它假设每个积木（聚类）都是独立的、不重叠的。但在我们的图书馆里，一本书可能同时属于“科幻小说”和“悬疑小说”（重叠），或者有些书根本不属于任何分类（非穷尽）。旧尺子量不准。
• 新尺子（双轮廓分数）： 作者发明了一把特制的软尺。
  • 它不仅能量“这一组书是不是很像”（紧凑度），还能量“这一组书和别的组是不是明显不同”（分离度）。
  • 关键点： 它专门针对“书 + 特征”这种双重组合进行了优化。它允许书重叠，也允许有些书没被归类。
  • 作用： 这把尺子不仅能告诉整理员“你整理得不错”，还能帮整理员决定“到底分几组最合适”，甚至能画出图表让人一眼看出哪些组是真正的“好组”，哪些是凑数的。

4. 实验结果：整理员的表现

作者用了很多真实和模拟的数据来测试这个整理员：

• 合成数据（模拟图书馆）： 他们故意制造了一些混乱的图书馆，里面有重叠的组、有噪音。ResNMTF 表现得非常棒，比以前的整理员（如 GFA, iSSVD）更准，更能发现那些隐藏的规律。
• 真实数据（真实图书馆）：
  • 3Sources： 来自三家不同新闻网站（BBC, Reuters, Guardian）的同一批新闻文章。ResNMTF 成功把文章按主题分好了，而且比单独看一家网站更准。
  • TCGA（癌症数据）： 来自不同癌症患者的基因和微小 RNA 数据。ResNMTF 成功找出了不同癌症亚型的特征。
  • A549（细胞数据）： 单细胞测序数据。ResNMTF 也能很好地处理。

5. 总结：这对我们意味着什么？

简单来说，这篇论文做了两件大事：

1. 发明了一个更聪明的整理工具（ResNMTF）： 它能同时处理多来源的数据，自动发现“谁和谁是一伙的”以及“什么特征定义了这伙人”，而且能自动过滤掉噪音，不需要人预先告诉它分几组。
2. 发明了一把更精准的尺子（双轮廓分数）： 在没人告诉正确答案（无监督学习）的情况下，它能帮我们判断整理得对不对，还能帮我们调整工具的参数。

比喻总结：
以前的方法像是在用单一视角的放大镜看混乱的线团，容易看走眼。ResNMTF 就像是一个拥有 3D 视觉和自动纠错功能的机器人，它能从不同角度（多视图）同时观察线团，自动把纠缠在一起的线头（重叠组）理顺，并且自己判断什么时候该停下来（自动确定组数）。而“双轮廓分数”就是机器人自带的质检员，确保它理出来的每一团线都是整齐且真实的。

这项技术对于医学（找疾病亚型）、新闻分析（找话题趋势）等领域非常有价值，因为它能从海量、复杂、多来源的数据中，自动挖掘出人类难以发现的深层规律。

技术摘要

这篇论文提出了一种名为 ResNMTF（限制性非负矩阵三因子分解，Restrictive Non-negative Matrix Tri-Factorisation）的新型多视图双聚类（Multi-view Biclustering）方法，并引入了一种新的内在评估指标——双轮廓分数（Bisilhouette Score）。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 多视图数据挑战：随着数据采集能力的提升，多视图数据（即描述同一对象的不同来源数据，如基因组、甲基化组、蛋白质组等）日益普遍。然而，并非所有特征对所有个体都相关。
• 双聚类的局限性：传统的聚类仅对行或列进行分组，而双聚类旨在同时对数据矩阵的行和列进行聚类，发现行簇及其特定的识别特征。现有的多视图双聚类方法存在以下局限：
  • 灵活性不足：难以处理视图间复杂的共享关系（例如，某些视图共享行但列不同，或反之）。
  • 先验知识依赖：许多方法需要预先知道双聚类的数量。
  • 缺乏内在评估指标：现有的双聚类评估多依赖外在指标（需真实标签）或一致性指标，缺乏能够处理非穷尽性（non-exhaustive）和非排他性（non-exclusive，即重叠）双聚类的内在评估标准。
  • 稳定性问题：在未知真实簇数时，算法容易返回不稳定的虚假簇。

2. 方法论 (Methodology)

2.1 核心算法：ResNMTF

ResNMTF 基于非负矩阵三因子分解（NMTF），旨在整合多视图数据并识别重叠及非穷尽的双聚类。

• 目标函数：
  将多视图数据矩阵 $X^{(v)}$ 分解为 $F^{(v)}S^{(v)}(G^{(v)})^T$。目标函数包含两部分：
  1. 重构误差：最小化各视图的重构误差。
  2. 正则化项：通过惩罚项（$\phi, \xi, \psi$）强制不同视图间的因子矩阵（$F$ 行因子，$S$ 核心因子，$G$ 列因子）相互靠近。这使得 ResNMTF 能够灵活地定义视图间的共享关系（如共享行簇、共享列簇或两者皆共享）。
• 优化求解：
  采用基于乘性更新规则（Multiplicative Update Rules）的迭代算法求解非凸优化问题。
• 初始化策略：
  提出了一种基于奇异值分解（SVD）的初始化方法，利用前 $K$ 个奇异向量初始化因子矩阵，以提高收敛性和解的质量。
• 去噪与稳定性分析：
  • 虚假簇移除：通过重采样（Resampling）生成纯噪声数据，利用 Jensen-Shannon 散度（JSD）比较真实数据因子与噪声数据因子的分布差异，剔除统计上不显著的簇。
  • 稳定性分析：采用子采样技术（Sub-sampling），评估在数据扰动下双聚类的稳定性。通过计算重采样结果与原始结果的相似度（Relevance），剔除不稳定的簇。

2.2 评估指标：双轮廓分数 (Bisilhouette Score)

为了解决缺乏内在评估指标的问题，作者扩展了经典的轮廓系数（Silhouette Score）：

• 定义：针对每个双聚类 $(R_k, C_k)$，仅使用属于该列簇 $C_k$ 的列子集来计算行簇 $R_k$ 中元素的轮廓系数。
• 计算：
  1. 计算每个双聚类的平均轮廓系数 $B_k$。
  2. 对所有非零的双聚类 $B_k$ 取平均，得到整体双轮廓分数 $B$。
• 特性：
  • 支持重叠和非穷尽的双聚类。
  • 不仅考虑簇内的紧凑性，还考虑簇与数据其余部分的分离度。
  • 可用于无监督场景下的超参数调优（如确定最佳簇数 $K$）和结果比较。

3. 主要贡献 (Key Contributions)

1. ResNMTF 算法：提出了一种灵活的多视图双聚类框架，能够处理任意组合的视图间约束（共享行/列），无需预先知道簇的数量，且能自动识别并移除噪声簇。
2. 双轮廓分数：首次提出了专门针对双聚类的内在评估指标，填补了该领域缺乏内在评估标准的空白，并证明了其与外在指标（如 F-score）的高度一致性。
3. 综合框架：将稳定性分析、去噪机制和内在评估指标整合到一个完整的流程中，提高了双聚类结果的可靠性和可解释性。
4. 开源实现：提供了 R 语言包 resnmtf 和 bisilhouette，以及复现代码。

4. 实验结果 (Results)

作者在合成数据和四个真实数据集（3Sources, BBCSport, A549, TCGA）上进行了广泛实验。

• 性能对比：
  • ResNMTF 在大多数情况下优于单视图 NMTF 以及现有的多视图方法（如 iSSVD 和 GFA）。
  • 在合成数据中，ResNMTF 能够准确识别重叠和非穷尽的双聚类，且对噪声具有鲁棒性。
  • 在真实数据（如 TCGA 癌症数据、A549 单细胞数据）上，ResNMTF 的 F-score 和双轮廓分数均表现优异。
• 双轮廓分数的有效性：
  • 双轮廓分数与 F-score（外在指标）的排名相关性极高（Pearson 相关系数达 0.944），证明其能有效评估无监督结果。
  • 在超参数调优（如确定最佳簇数 $K$ 和正则化参数）中，双轮廓分数能选出与 F-score 一致的最优解。
  • 可视化方面，双轮廓图能有效展示哪些簇具有强信号，哪些可能是噪声。
• 稳定性：
  引入稳定性分析后，ResNMTF 能够剔除因随机扰动产生的不稳定簇，确保返回的簇具有生物学或实际意义。

5. 意义与结论 (Significance & Conclusion)

• 方法论创新：ResNMTF 解决了多视图数据中视图间关系建模的灵活性问题，特别是处理部分共享特征和部分共享样本的复杂场景。
• 评估工具突破：双轮廓分数的提出为无监督双聚类提供了一个强有力的评估和调优工具，减少了对真实标签的依赖。
• 实际应用价值：该方法在生物信息学（如多组学整合分析）和文本挖掘等领域具有广泛的应用前景，能够帮助研究人员从复杂的高维数据中发现稳健的潜在模式。
• 未来工作：作者计划进一步研究 ResNMTF 的收敛性理论证明，并探索双轮廓分数在其他双聚类算法超参数调优中的通用性。

总体而言，这篇论文通过提出 ResNMTF 算法和双轮廓分数，显著推进了多视图双聚类领域的技术发展，特别是在处理数据复杂性、缺乏先验知识以及结果评估方面提供了创新的解决方案。