[논문 리뷰] BayesTime: Bayesian Functional Principal Components for Sparse Longitudinal Data

Lingjing Jiang, Yuan Zhong외 4명|arXiv (Cornell University)|2020. 12. 01.

Bayesian Methods and Mixture Models참고 문헌 32인용 수 5

한 줄 요약

이 논문은 희소 종단적 데이터를 위한 베이지안 기능 주성분 분석(SFPCA) 프레임워크인 BayesTime을 소개한다. 이는 PSIS-LOO를 통한 강력한 모델 선택과 사후 예측 검증, 형태 파라미터 추정을 통한 종합적인 진단을 가능하게 한다. 기존의 최대우도 기반 SFPCA에 비해 유연한 사전분포, 신뢰할 수 있는 모델 평가 및 마이크로바이옴 궤적 분석에서의 해석 가능성 향상을 제공한다.

ABSTRACT

Modeling non-linear temporal trajectories is of fundamental interest in many application areas, such as in longitudinal microbiome analysis. Many existing methods focus on estimating mean trajectories, but it is also often of value to assess temporal patterns of individual subjects. Sparse principal components analysis (SFPCA) serves as a useful tool for assessing individual variation in non-linear trajectories; however its application to real data often requires careful model selection criteria and diagnostic tools. Here, we propose a Bayesian approach to SFPCA, which allows users to use the efficient leave-one-out cross-validation (LOO) with Pareto-smoothed importance sampling (PSIS) for model selection, and to utilize the estimated shape parameter from PSIS-LOO and also the posterior predictive checks for graphical model diagnostics. This Bayesian implementation thus enables careful application of SFPCA to a wide range of longitudinal data applications.

연구 동기 및 목표

• 희소하고 비선형적인 종단적 궤적을 모델링할 때 기존의 최대우도 기반 SFPCA의 모델 선택 및 진단의 신뢰성 부족 문제를 해결하기 위해.
• PSIS-LOO를 활용한 효율적이고 원칙적인 모델 선택과 형태 파라미터 진단을 지원하는 베이지안 SFPCA의 구현을 개발하기 위해.
• 사후 예측 검증을 통한 강력한 그래픽 모델 진단을 통해 실세계 적용에서의 모델 검증을 향상시키기 위해.
• 특히 마이크로바이옴 연구에서 비선형 시간 패턴에서의 개별 주체의 변동성을 탐색할 수 있도록 하기 위해.
• 다른 사전분포 및 향후 방법론적 개선을 지원하는 유연하고 확장 가능한 종단적 데이터 분석 프레임워크를 제공하기 위해.

제안 방법

• 개별 주체의 궤적을 랜덤 효과로 간주하고 기능 기반 전개를 사용하여 베이지안 계층 모형 내에서 SFPCA를 수립한다.
• 모집단 평균 궤적 주변의 주요 변동 방식을 모델링하기 위해 저랭크 공분산 구조를 사용한다.
• Stan을 활용한 전체 베이지안 추론과 마르코프 체인 몬테카를로(MCMC) 샘플링을 통해 다양한 사전분포 설정(예: 무거운 尾를 가진 점수에 대한 t-분포)이 가능하다.
• 효율적인 일인 제거 교차검증을 위해 PSIS-LOO를 적용하며, 형태 파라미터 추정을 통해 모델 신뢰성과 개별 관측치의 영향력을 평가한다.
• 사후 예측 분포에서 유도된 재구성 데이터셋과 관측 데이터를 비교하여 그래픽적 사후 예측 검증을 수행한다.
• 모델 진단 및 선택을 하나의 R 패키지(BayesTime)에 통합하여 상호작용 가능한 모델 평가 및 시각화를 지원한다.

실험 결과

연구 질문

• RQ1 기존의 최대우도 기반 접근에 비해 베이지안 SFPCA의 공식화가 희소하고 비선형 종단적 데이터의 모델 선택 및 진단에 있어 개선되었는가?
• RQ2 형태 파라미터 추정이 함께 적용된 PSIS-LOO는 SFPCA에서 영향력이 있거나 적합도가 낮은 관측치를 탐지하는 데 얼마나 효과적인가?
• RQ3 실제 마이크로바이옴 궤적 데이터에서 사후 예측 검증이 모델 불일치를 어느 정도 탐지할 수 있는가?
• RQ4 주성분 점수는 마이크로바이옴 동역학에서 생물학적으로 의미 있는 개인 차이 패턴을 어떻게 드러내는가?
• RQ5 베이지안 SFPCA 프레임워크는 마이크로바이옴 데이터에서 다양한 신체 부위 간의 시간적 진행 패턴을 어떻게 구분할 수 있는가?

주요 결과

• PSIS-LOO를 적용한 베이지안 SFPCA 모델은 안정적인 LOO 추정을 보였으며, 경고 기준인 0.7 이하의 파라미터를 제외한 나머지 모든 파라미터가 이 기준을 충족하여 신뢰할 수 있는 모델 선택이 이루어졌다.
• 그래픽적 사후 예측 검증은 관측 데이터와 재구성된 데이터 간의 좋은 적합도를 보였으며, 피부 마이크로바이옴 데이터셋에서 주요 차이점은 없었다.
• 주성분 점수는 팔과 얼굴이 유사한 미생물 다양성의 시간적 패턴을 보였고, 발과 겨드랑이에서는 대조적인 패턴을 보였다. 이는 PC1과 PC2 모두에서 일관되게 나타났다.
• 첫 번째 주성분은 미생물 다양성의 순서를 가장 높은(팔)에서 가장 낮은(겨드랑이)으로 정리하였으며, 양수 및 음수 점수는 서로 다른 시간적 추세를 나타내었다.
• 두 번째 주성분은 얼굴/팔과 발/겨드랑이 간의 진행 패턴에 있어서 군집화를 더욱 강화하였으며, 이는 서로 다른 미생물 동역학을 시사하였다.
• 이 방법은 희소 샘플링과 노이즈가 많은 측정치가 존재하는 상황에서도 개인의 마이크로바이옴 추세를 성공적으로 시각화하고, 진행 패턴 기반의 생물학적으로 해석 가능한 군집화를 가능하게 하였다.