[論文レビュー] Factor analysis in high dimensional biological data with dependent observations

Chris McKennan|arXiv (Cornell University)|Sep 23, 2020

Statistical Methods and Inference参考文献 31被引用数 4

ひとこと要約

本稿は、従属する観測と要因間で信号強度が不均一な生物学的データに対して、新しい高次元要因分析フレームワークを提案する。この手法は、固有値の影法とパワフルな要因仮定のバイアスを克服するロバストな要因数推定器を導入し、縦断的・多組織的・多処理群のデータにおいて、正確な部分空間回復、ノイズ除去、潜在的要因の解釈を可能にする。

ABSTRACT

Factor analysis is a critical component of high dimensional biological data analysis. However, modern biological data contain two key features that irrevocably corrupt existing methods. First, these data, which include longitudinal, multi-treatment and multi-tissue data, contain samples that break critical independence requirements necessary for the utilization of prevailing methods. Second, biological data contain factors with large, moderate and small signal strengths, and therefore violate the ubiquitous "pervasive factor" assumption essential to the performance of many methods. In this work, I develop a novel statistical framework to perform factor analysis and interpret its results in data with dependent observations and factors whose signal strengths span several orders of magnitude. I then prove that my methodology can be used to solve many important and previously unsolved problems that routinely arise when analyzing dependent biological data, including high dimensional covariance estimation, subspace recovery, latent factor interpretation and data denoising. Additionally, I show that my estimator for the number of factors overcomes both the notorious "eigenvalue shadowing" problem, as well as the biases due to the pervasive factor assumption that plague existing estimators. Simulated and real data demonstrate the superior performance of my methodology in practice.

研究の動機と目的

• 現代の高次元生物学的データでは、独立なサンプルとパワフルな要因の両方を仮定する従来の要因分析手法に顕著なギャップが存在するという問題を解決すること。
• 誤差行列の行が相関を示すが、固有値が有界であるような従属観測の下で、統計的に整合性のある要因分析フレームワークを構築すること。
• 信号強度が複数のオーダーにわたる状況でも、潜在的要因数、因子負荷、因子の正確な推定を可能にすること。
• パワフルな要因仮定と固有値の影法に起因する既存推定器の限界を克服し、中程度および弱い要因を回復できない問題を解消すること。
• データのノイズ除去、共分散推定、複雑なデータ構造における潜在的生物学的変動の解釈を可能にすることで、下流の生物学的推論を支援すること。

提案手法

• 観測データ行列 $\bm{Y}$ が $\bm{L}\bm{C}^\top + \bm{E}$ に分解される一般化された要因モデルを提案し、$\bm{V}_g$ に有界な固有値を持つ従属誤差構造を許容する。
• 2段階推定手順を導入：まず、依存性を考慮した変換されたデータ行列に対する修正された主成分分析を用いて要因空間を推定する。
• 固有値比を活用し、信号強度の不均一性に対してロバストな要因数 $K$ の回転ベース推定器を提案する。
• ユニタリ変換を適用し、ランダム行列理論を用いてレバレッジスコアを制御することで、依存性下でも因子負荷およびスコアの一貫性のある推定を保証する。
• 高次元設定における分散推定の安定化を図るため、共分散行列 $\hat{\bm{\Sigma}}$ に対して対角補正を組み込む。
• 共因子展開の議論と部分指数的尾部バウンドを用いて、推定された因子および因子負荷の漸近的正規性と一貫性を導出する。

実験結果

リサーチクエスチョン

• RQ1 標準的手法が仮定する独立サンプルの仮定が破られる高次元生物学的データにおいて、要因分析を信頼性高く実施する方法は何か？
• RQ2 信号強度が大きく、中程度、弱い要因を含む場合に、要因数を正確に推定できる要因モデルは開発可能か？ これにより、パワフルな要因仮定の落とし穴を回避できるか？
• RQ3 提案された $K$ の推定器は、高次元データで一般的な固有値の影法問題をどの程度克服できるか？
• RQ4 依存性と信号強度の不均一性の下でも、提案手法は潜在的要因および因子負荷を一貫して回復できるか？ また、既存のPCAベースの推定器と比較してどう異なるか？
• RQ5 複雑な依存構造が存在する中でも、このフレームワークはeQTL/meQTL研究における有効なデータノイズ除去と推論の向上を可能にするか？

主な発見

• 提案された要因数 $K$ の推定器は、一貫性があり、固有値の影法とパワフルな要因仮定の両方に対してロバストであり、シミュレーションおよび実データにおいて既存手法を上回る性能を示した。
• 従来の推定器が $\lambda_K \to \infty$ の仮定に依存するのを避けることで、中程度および弱い要因を正確に回復できた。
• レバレッジスコアと固有値比の厳密な制御のおかげで、依存性下でも要因空間推定が $O_P(n^{-1/2})$ の収束速度を達成した。
• 一般化された依存構造の下でも理論的保証を伴う高次元共分散推定と部分空間回復が可能となった。
• 推定された因子を用いたデータノイズ除去は、実際の多組織および縦断的データセットを用いたeQTLおよびmeQTL研究において、下流の推論を向上させた。
• 理論的解析により、$\lambda_K \lesssim 1$ のような、既存手法が失敗する領域でも、回転ベースの $K$ の推定器が一貫性を示すことが示された。