[論文レビュー] Statistical Methods in Topological Data Analysis for Complex, High-Dimensional Data

Patrick Medina, R. W. Doerge|arXiv (Cornell University)|Jul 18, 2016

Topological and Geometric Data Analysis参考文献 15被引用数 3

ひとこと要約

本稿は、高次元で複雑なデータを解析するための統計的Topological Data Analysis (TDA)手法を紹介する。データサンプルをパーゼンテンスホモロジーを用いてトポロジカルな要約統計量に変換することで、その手法を実装する。本手法の応用として、ミオチアゾール結合タンパク質の開口状態と閉口状態におけるタンパク質コンformational構造に対する順列検定を実施し、帰無仮説H₀およびH₁のp値がそれぞれ5.83×10⁻⁴、H₂のp値が0.0396であった。この結果、トポロジカル特徴の間で統計的に有意な差が認められた。

ABSTRACT

The utilization of statistical methods an their applications within the new field of study known as Topological Data Analysis has has tremendous potential for broadening our exploration and understanding of complex, high-dimensional data spaces. This paper provides an introductory overview of the mathematical underpinnings of Topological Data Analysis, the workflow to convert samples of data to topological summary statistics, and some of the statistical methods developed for performing inference on these topological summary statistics. The intention of this non-technical overview is to motivate statisticians who are interested in learning more about the subject.

研究の動機と目的

• 統計学者がTopological Data Analysis (TDA) の数学的基盤を理解しやすい形で紹介すること。
• 複雑な高次元データ構造を解析するための統計的推論とトポロジカル手法を統合すること。
• 生物学的構造、例えばタンパク質コンformational状態における統計的に有意な差を検出するTDAの有効性を示すこと。
• データから得られるトポロジカルな要約統計量に対して、特に順列検定を用いた統計的推論手法を開発・適用すること。
• 連結成分やループといったトポロジカル特徴が、分子データにおける構造的差をどのように明らかにするかを説明すること。

提案手法

• データの対間距離に基づくベトリス＝リップス複体構築法を用いて、高次元データサンプルを単体的複体に変換する。
• スケールパラメータの範囲にわたり、トポロジカル特徴（例えば、連結成分、ループ、空洞）の誕生と消滅を追跡するためのパーゼンテンスホモロジーを計算する。
• バーコードとパーゼンテンスランドスケープを用いて、ホモロジー群の進化を表現するトポロジカルな要約統計量を生成する。
• 各パーゼンテンスランドスケープに関数を適用する（特に、曲線下の総面積）ことで、関数データをスカラー要約統計量に簡略化する。
• 2標本の順列検定を実施し、2つの群（例：開口状態 vs. 閉口状態のタンパク質構造）間の平均トポロジカル要約統計量を比較する。
• 順列検定のp値を用いて、ホモロジー群に跨るトポロジカル特徴の差の統計的有意性を評価する。

実験結果

リサーチクエスチョン

• RQ1 トポロジカルデータ解析は、タンパク質コンformational状態のような高次元生物学的データにおいて、意味のある構造的差を検出できるか？
• RQ2 マルトース結合タンパク質の開口状態と閉口状態の間で、トポロジカル特徴（例えば、連結成分、ループ）に統計的に有意な差があるか？
• RQ3 パーゼンテンスホモロジーとトポロジカルな要約統計量は、どのようにして複雑で高次元のデータの形状を定量化・比較できるか？
• RQ4 実世界のデータサンプルから得られるトポロジカルな要約統計量を分析するための有効な統計的推論手法は何か？
• RQ5 パーゼンテンスランドスケープの関数的要約は、複雑なデータセットにおけるトポロジカル特徴の強固な仮説検定を可能にするか？

主な発見

• 順列検定により、マルトース結合タンパク質の開口状態と閉口状態の間で連結成分（H₀）の数に統計的に有意な差が認められ、p値は5.83×10⁻⁴であった。
• ループ（H₁）の数に対しても同様に統計的に有意な差が認められ、p値は5.83×10⁻⁴であった。これは、異なるトポロジカル構造を示している。
• 2番目のホモロジー群（H₂、空洞を表す）に関してはp値が0.0396であった。これは、2つのタンパク質状態間で空洞の数に有意な差があることを示唆している。
• 閉口状態のパーゼンテンスランドスケープは不規則であったが、開口状態のものは滑らかであった。これは、トポロジカルな複雑さに差があることを示している。
• パーゼンテンスランドスケープに適用した関数（曲線下の総面積）は、統計的検定に適したスカラー値にトポロジカル特徴を効果的に要約していた。
• 結果として、従来の手法が失敗する可能性のある高次元データにおいても、TDAと非パラメトリック推論を組み合わせることで、生物学的に関連のある構造的差を検出可能であることが示された。