[论文解读] Adaptive gPCA: A method for structured dimensionality reduction

Julia Fukuyama|arXiv (Cornell University)|Feb 1, 2017

Gene expression and cancer classification参考文献 25被引用 8

一句话总结

自适应gPCA是一种结构化降维方法，通过将变量关系的先验知识（如微生物组数据中的系统发育距离）整合到广义PCA中，生成更具可解释性、更稳定的主成分。通过在载荷上施加高斯先验，以鼓励相关变量的相似性，该方法提高了潜在结构的重建效果，并增强了高维数据中的生物学可解释性。

ABSTRACT

When working with large biological data sets, exploratory analysis is an important first step for understanding the latent structure and for generating hypotheses to be tested in subsequent analyses. However, when the number of variables is large compared to the number of samples, standard methods such as principal components analysis give results which are unstable and difficult to interpret. To mitigate these problems, we have developed a method which allows the analyst to incorporate side information about the relationships between the variables in a way that encourages similar variables to have similar loadings on the principal axes. This leads to a low-dimensional representation of the samples which both describes the latent structure and which has axes which are interpretable in terms of groups of closely related variables. The method is derived by putting a prior encoding the relationships between the variables on the data and following through the analysis on the posterior distributions of the samples. We show that our method does well at reconstructing true latent structure in simulated data and we also demonstrate the method on a dataset investigating the effects of antibiotics on the composition of bacteria in the human gut.

研究动机与目标

• 解决在生物数据集中变量数量远超样本数量时，标准PCA存在的不稳定性和可解释性差的问题。
• 将关于变量关系的附加信息（如系统发育或通路结构）整合到降维中，以指导主成分的结构。
• 开发一种方法，生成根据先验知识组织载荷的低维表示，以增强生物学可解释性。
• 通过在变量载荷上施加先验，利用结构化正则化，提高高维数据中真实潜在结构的重建准确性。
• 提供一个灵活的框架，通过允许变量间任意相似性结构，推广现有方法（如融合Lasso PCA）

提出的方法

• 自适应gPCA通过在主成分载荷上引入高斯先验，扩展了广义PCA，以编码已知的变量间关系（如系统发育距离）。
• 该方法在该先验下推导出样本得分和载荷的后验分布，从而实现对主成分的正则化估计，使相似变量的载荷趋于一致。
• 核心计算涉及求解三重广义特征值问题（X̃, Q, D_wL），其中Q通过源自成对距离的核矩阵编码变量相似性结构。
• 该方法采用两步程序：首先，通过在距离矩阵δ上的加权多维尺度法估计变量坐标；其次，在变换后的样本矩阵Y = XZ上执行PCA。
• 通过将gPCA的变量得分后乘以核矩阵Q，获得最终的变量得分，从而根据先验结构有效平滑载荷。
• 该方法具有贝叶斯本质，载荷上的先验诱导出结构化收缩，从而在高维设置中稳定估计。

实验结果

研究问题

• RQ1 在高维生物数据中，整合变量关系的先验知识是否能提升主成分的稳定性和可解释性？
• RQ2 与标准PCA及其他正则化方法相比，自适应gPCA在重建真实潜在结构方面的表现如何？
• RQ3 该方法在多大程度上通过将成分载荷与已知的变量分组（如系统发育簇）对齐，增强了生物学可解释性？
• RQ4 在具有复杂变量关系的真实世界微生物组数据集中，该方法的可扩展性和性能如何？
• RQ5 当潜在结构并非稀疏但具有结构时，自适应gPCA在哪些方面优于现有方法（如融合Lasso PCA）？

主要发现

• 在模拟数据中，自适应gPCA显著改善了真实潜在结构的重建，尤其当变量按已知关系分组时效果更明显。
• 在Dethlefsen和Relman（2011）的真实微生物组数据集中，自适应gPCA在主成分中揭示了更清晰的生物学模式，载荷集中于生物学上一致的细菌OTU组。
• 与标准PCA相比，该方法产生了更稳定、更具可解释性的成分，主轴上的载荷反映了系统发育相似性，而非随机波动。
• 贝叶斯框架结合结构化先验，在高p、低n设置下显著改善了成分载荷的估计，减少了过拟合并提高了泛化能力。
• 该方法表明，通过先验整合变量结构，可实现更简洁且具有生物学意义的数据分解。
• 实证结果表明，DPCoA和自适应gPCA的变量得分在符号上等价，证实了该方法在引入结构时与既有理论方法的一致性。