[论文解读] Bayesian Group Factor Analysis

Seppo Virtanen, Arto Klami+2 more|arXiv (Cornell University)|Oct 14, 2011

Bioinformatics and Genomic Networks参考文献 18被引用 72

一句话总结

本文提出贝叶斯组因子分析（GFA），一种新颖的因子分析模型，能够识别多个数据集（视图）之间的共享潜在因子，通过建模整个数据集之间的依赖关系而非单个变量之间的依赖关系。通过在因子载荷中施加组级稀疏性，GFA 在贝叶斯框架下将共享变异（视图间）与视图特异性噪声分离，成功在 fMRI 和药物反应数据中揭示出具有生物学和神经科学意义的模式。

ABSTRACT

We introduce a factor analysis model that summarizes the dependencies between observed variable groups, instead of dependencies between individual variables as standard factor analysis does. A group may correspond to one view of the same set of objects, one of many data sets tied by co-occurrence, or a set of alternative variables collected from statistics tables to measure one property of interest. We show that by assuming group-wise sparse factors, active in a subset of the sets, the variation can be decomposed into factors explaining relationships between the sets and factors explaining away set-specific variation. We formulate the assumptions in a Bayesian model which provides the factors, and apply the model to two data analysis tasks, in neuroimaging and chemical systems biology.

研究动机与目标

• 解决标准因子分析的局限性，即仅建模单个变量之间的依赖关系，转而建模整个数据集或视图之间的依赖关系。
• 开发一种方法，能够在高维多视图数据中区分多个数据集之间的共享因子与各数据集特异的因子。
• 提供一种贝叶斯组级稀疏因子分析模型，实现复杂多源数据的可解释、结构化分解。
• 在真实世界的神经影像学和系统生物学数据上验证该模型，证明其能够揭示具有生物学和神经科学意义的潜在结构。

提出的方法

• 将稀疏贝叶斯典型相关分析（CCA）从两视图扩展到多视图，实现具有组级稀疏性的多视图因子分析。
• 将联合数据建模为所有数据集的拼接，并对因子载荷施加组级稀疏性，使得每个因子的权重在未参与该因子的整个数据集中为零。
• 采用变分贝叶斯推断方法近似因子、载荷和超参数的后验分布，实现可扩展的推断。
• 在每个数据集中基于主成分分析（PCA）构建噪声模型，显式考虑各集合特异性变异，确保因子聚焦于集合间依赖关系。
• 应用组级稀疏性先验（如层次拉普拉斯分布或稀疏-密集混合模型）以鼓励因子仅在部分数据集中活跃。
• 预先按化学视图中因子权重的范数对因子进行排序，以在药物反应分析中优先考虑信息量更高的因子，利用对化学空间信息量的先验知识。

实验结果

研究问题

• RQ1 贝叶斯因子分析模型能否有效识别多个数据集之间的共享潜在因子，同时将其与视图特异性变异区分开来？
• RQ2 因子载荷中的组级稀疏性在模拟和真实世界数据中，多大程度上能帮助模型恢复数据集之间的真实潜在依赖关系？
• RQ3 该模型在 fMRI 和药物反应等复杂多源数据中，能在多大程度上揭示具有生物学和神经科学可解释性的因子？
• RQ4 通过 GFA 整合多个数据源，是否能提升下游任务（如药物相似性检索）的性能，相较于单独使用各视图？

主要发现

• 贝叶斯 GFA 模型成功识别出在部分数据集子集中共享的因子，例如在 fMRI 数据中识别出在音乐和歌词背诵两种条件下均活跃的‘言语’活动模式。
• 在药物反应分析中，模型发现一个在所有细胞系中共享的因子，其与强烈的毒性效应（包括细胞周期阻滞和细胞凋亡）显著相关，与已知的生物学机制一致。
• 一个在化学描述符与一个细胞系之间共享的因子，特异性激活与炎症过程相关的基因，且在非甾体抗炎药（如布洛芬）中高度活跃，与已知的药理学知识相符。
• 基于 GFA 的药物潜在空间表征在药物相似性检索任务中显著优于基于单一视图（生物或化学）的表征，t 检验的 p 值 < 0.05。
• 即使在数据集数量庞大的情况下，该模型在模拟数据上仍能高精度检测出正确的稀疏结构。
• 变分推断方法计算高效，可扩展至包含数千个样本和多个高维视图的数据集。