[论文解读] Discovering Relationships Across Disparate Data Modalities

Cencheng Shen, Carey E. Priebe+2 more|arXiv (Cornell University)|Sep 16, 2016

Bioinformatics and Genomic Networks参考文献 3被引用 3

一句话总结

MGC 是一种多尺度依赖性检验方法，通过整合 k-近邻、核方法和多尺度分析，检测不同数据模态（如连接组学与基因组学）之间复杂非线性关系，相较于现有方法具有更高的统计功效和更低的样本量需求，同时揭示依赖关系的潜在几何结构。

ABSTRACT

Understanding the relationships between different properties of data, such as whether a connectome or genome has information about disease status, is becoming increasingly important in modern biological datasets. While existing approaches can test whether two properties are related, they often require unfeasibly large sample sizes in real data scenarios, and do not provide any insight into how or why the procedure reached its decision. Our approach, Multiscale Graph Correlation (MGC), is a dependence test that juxtaposes previously disparate data science techniques, including k-nearest neighbors, kernel methods (such as support vector machines), and multiscale analysis (such as wavelets). Other methods typically require double or triple the number samples to achieve the same statistical power as MGC in a benchmark suite including high-dimensional and nonlinear relationships - spanning polynomial (linear, quadratic, cubic), trigonometric (sinusoidal, circular, ellipsoidal, spiral), geometric (square, diamond, W-shape), and other functions, with dimensionality ranging from 1 to 1000. Moreover, MGC uniquely provides a simple and elegant characterization of the potentially complex latent geometry underlying the relationship, providing insight while maintaining computational efficiency. In several real data applications, including brain imaging and cancer genetics, MGC is the only method that can both detect the presence of a dependency and provide specific guidance for the next experiment and/or analysis to conduct.

研究动机与目标

• 解决在传统方法因样本量要求过高而失效的挑战，即检测不同数据模态（如脑影像与遗传数据）之间依赖关系的问题。
• 克服现有依赖性检验方法缺乏可解释性的问题，这些方法无法说明关系被检测到的原因或方式。
• 开发一种在高维、非线性和复杂关系中保持高统计功效的方法，适用于多种功能形式。
• 提供一种计算高效的途径，揭示检测到的依赖关系背后潜在的几何结构。
• 通过识别依赖关系本身以及后续实验或分析的下一步行动，实现在真实生物应用中的可操作洞见。

提出的方法

• MGC 通过使用 k-近邻估计局部相关性，在多个尺度上分析局部和全局依赖性，采用多尺度方法。
• 结合基于核的方法与多尺度分析（受小波启发），检测非线性和高维关系，包括多项式、三角函数、几何和螺旋模式。
• 基于所有尺度中最大局部相关性计算检验统计量，识别检测依赖关系最相关的尺度。
• 采用基于置换的方法计算 p 值，确保在原假设下具有稳健性和有效性。
• 最终检验统计量源自所有可能尺度对中局部相关性值的最大值，从而能够检测复杂且非单调的关系。
• MGC 提供依赖关系潜在几何结构的可可视化表示，提供超越单纯显著性检验的可解释性。

实验结果

研究问题

• RQ1 MGC 是否能在检测不同数据模态（如连接组与疾病状态）之间的依赖关系时，相较于现有方法具有更高的统计功效？
• RQ2 MGC 在检测非线性和高维关系时，是否比竞争方法需要更少的样本？
• RQ3 MGC 是否能揭示依赖关系的潜在几何结构，从而提供超越 p 值的可解释性？
• RQ4 在真实生物应用（如脑影像和癌症基因组学）中，MGC 是否能唯一地同时实现依赖关系的检测和后续实验的指导？
• RQ5 在高维环境中，MGC 在多项式、三角函数和几何关系等多种功能形式下的表现如何？

主要发现

• MGC 在基准测试套件中，对非线性和高维关系的统计功效与现有方法相当，但所需样本量仅为后者的二分之一至三分之一。
• MGC 在检测复杂关系（如螺旋形、W 形和椭球形模式）方面优于其他方法，尤其在高维数据（最高达 1000 维）中表现更优。
• MGC 独一无二地揭示了依赖关系的潜在几何结构，提供了对关系性质和尺度的洞察，而其他方法缺乏此类能力。
• 在真实数据应用中（包括脑影像和癌症基因组学），MGC 是唯一能够同时检测依赖关系并为分析或实验提供可操作下一步建议的方法。
• MGC 在保持计算效率的同时，对多种功能形式（包括正弦、圆形和立方关系）表现出卓越性能。
• 该方法的多尺度特性使其能够自适应地识别检测依赖关系最相关的尺度，从而在复杂数据环境中增强敏感性。