[论文解读] Multiscale Analysis of Count Data through Topic Alignment

Julia Fukuyama, Kris Sankaran+1 more|PubMed|Sep 12, 2021

Bioinformatics and Genomic Networks参考文献 19被引用 4

一句话总结

本文提出主题对齐（topic alignment）方法，用于在不同K值下比较主题模型，实现计数数据的多尺度分析。通过使用内积或最优传输构建主题相似性的加权图，该方法提供一致性评分和精细化评分等诊断指标，以识别稳定、瞬态或分裂的主题，相比单一K值模型提供更深入的洞察——已在模拟数据和真实微生物组数据上验证，并通过R包alto实现。

ABSTRACT

Topic modeling is a popular method used to describe biological count data. With topic models, the user must specify the number of topics $K$. Since there is no definitive way to choose $K$ and since a true value might not exist, we develop a method, which we call topic alignment, to study the relationships across models with different $K$. In addition, we present three diagnostics based on the alignment. These techniques can show how many topics are consistently present across different models, if a topic is only transiently present, or if a topic splits into more topics when $K$ increases. This strategy gives more insight into the process of generating the data than choosing a single value of $K$ would. We design a visual representation of these cross-model relationships, show the effectiveness of these tools for interpreting the topics on simulated and real data, and release an accompanying R package, alto.

研究动机与目标

• 解决主题模型中选择主题数K的挑战，该问题缺乏明确方法，可能导致生物模式被抑制或扭曲。
• 通过实现跨模型比较，克服单一K值主题建模的局限性，揭示多尺度关系。
• 开发诊断指标以评估不同K值下主题的稳定性、瞬态性和分裂行为。
• 提供一种实用的、后估计的框架，与现有主题建模工作流兼容，无需构建新的多尺度模型。
• 通过对齐模式检测模型误设，如微生物组数据中的异质性升高或菌株切换。

提出的方法

• 构建加权图，其中节点代表在不同K值下拟合的主题模型中的主题，边编码主题之间的相似性。
• 使用主题向量之间的内积或主题分布之间的最优传输距离来估计对齐权重。
• 定义一致性评分，以衡量某一主题在多个K值下持续存在的稳定性。
• 引入精细化评分，量化主题随K值增加从粗粒度主题中分裂或合并为更细粒度主题的程度。
• 利用对齐结构指导大K值下主题的解释，将其与更粗粒度、更具可解释性的主题关联。
• 在R包alto中实现该方法，支持通过手册和HPC脚本实现可视化与可复现性。

Figure 1: How to read a topic alignment. Construction of weights is discussed in Section 3.1 and paths are defined in Subsection 3.2.2 .

实验结果

研究问题

• RQ1 不同K值的主题模型之间在相似性和稳定性方面如何相互关联？
• RQ2 主题对齐能否检测到LDA生成模型的生物上合理的偏离，如菌株切换或异质性升高？
• RQ3 随着K值增加，主题在多大程度上保持一致性或发生分裂？这种现象如何量化？
• RQ4 对齐诊断指标能否帮助识别在多尺度下不持续存在的虚假或瞬态主题？
• RQ5 对齐如何通过将高K值主题与低K值、更具可解释性的原型主题关联，提升高K值主题模型的可解释性？

主要发现

• 主题对齐成功识别出在多个K值下持续存在的稳定主题，表明数据中存在稳健的潜在结构。
• 一致性评分有效区分了长期存在主题与瞬态主题，高一致性值表明主题在多尺度下保持一致存在。
• 精细化评分揭示了部分主题随K值增加而分裂为多个子主题，反映了更精细的生物亚群结构。
• 在阴道微生物组数据集中，该方法不仅恢复了已知的社区状态类型（CSTs），还识别出新颖的、更细粒度的亚群结构。
• 在模拟数据中，主题对齐检测到模型误设，如菌株切换和异质性升高，其对齐模式反映了这些偏离。
• R包alto支持主题对齐的可复现分析与可视化，促进对不同K值下主题关系的交互式探索。

Figure 2: Top panels (a-b) illustrate topic alignment for product (a) and transport (b) alignments. The bottom panels (a-c) illustrate the diagnostic scores characterizing the alignment. (a) Each vertical column corresponds to a topic. Each circle encodes weights $\gamma_{iv}$ for a single sample $i