[论文解读] Principal Differences Analysis: Interpretable Characterization of Differences between Distributions

Jonas Mueller, Tommi Jaakkola|arXiv (Cornell University)|Oct 30, 2015

Single-cell and spatial transcriptomics参考文献 45被引用 6

一句话总结

本文提出了主差异分析（PDA）及其稀疏变体SPARDA，通过在最优投影方向上最大化Wasserstein散度，识别概率分布之间可解释的高维差异。该方法在无需参数假设的前提下检测任意分布差异，并识别驱动差异的关键特征，在检测单细胞RNA-seq数据中稀疏且复杂的差异方面优于现有方法。

ABSTRACT

We introduce principal differences analysis (PDA) for analyzing differences between high-dimensional distributions. The method operates by finding the projection that maximizes the Wasserstein divergence between the resulting univariate populations. Relying on the Cramer-Wold device, it requires no assumptions about the form of the underlying distributions, nor the nature of their inter-class differences. A sparse variant of the method is introduced to identify features responsible for the differences. We provide algorithms for both the original minimax formulation as well as its semidefinite relaxation. In addition to deriving some convergence results, we illustrate how the approach may be applied to identify differences between cell populations in the somatosensory cortex and hippocampus as manifested by single cell RNA-seq. Our broader framework extends beyond the specific choice of Wasserstein divergence.

研究动机与目标

• 解决识别高维、未配对概率分布之间可解释的非参数差异的挑战。
• 开发一种方法，检测超出均值或方差变化的任意分布差异，且不假设参数形式。
• 识别导致分布差异的最小特征子集，从而在复杂组学数据中实现生物学可解释性。
• 通过优化投影方向以实现散度最大化，而非仅分类性能，克服现有基于投影方法的局限性。
• 将标准两样本检验扩展至高维、探索性场景，其中差异的性质在事前未知。

提出的方法

• PDA识别最优投影方向β，以最大化两个高维分布βᵀX与βᵀY在单变量投影下的Wasserstein散度。
• 该方法利用Cramér-Wold定理，确保若P_X ≠ P_Y，则存在某一方向β，使得投影后的单变量分布不同。
• 采用半定规划松弛方法，高效求解PDA的非凸极小化-极大化公式。
• SPARDA通过在β上添加ℓ₁惩罚项，引入稀疏性，识别导致分布差异的最小特征集合。
• 该方法具有通用性，可扩展至Wasserstein以外的其他概率散度，提升在不同应用中的灵活性。
• 使用置换检验评估显著性，确保假设检验中精确控制第一类错误率。

实验结果

研究问题

• RQ1 我们能否识别出最能捕捉两个高维、未配对群体之间最大分布差异的一维投影？
• RQ2 导致两个复杂高维分布之间差异的最小特征子集是什么？
• RQ3 PDA与SPARDA在检测稀疏或复杂差异方面，与DiProPerm、MMD和LDA等现有方法相比表现如何？
• RQ4 SPARDA能否检测到标准差异表达分析所遗漏的生物相关基因表达差异？
• RQ5 在高维设置下，尤其当仅有少数特征不同时，该方法是否保持高统计效能？

主要发现

• 即使维度增加，SPARDA在检测分布差异方面仍保持高统计效能，尤其在差异稀疏时表现更优。
• 在包含d个特征中仅有3个相关特征的合成实验中，SPARDA在维度d不断增加时仍保持高统计效能，优于DiProPerm与MMD。
• 在多个λ值下，SPARDA成功识别出20个相关特征中的14个，且无误报；交叉验证在46个非零元素中选出了17个相关特征。
• 在小鼠体感皮层与海马体的单细胞RNA-seq数据中，SPARDA检测到已知的亚型特异性基因，并揭示了标准差异表达方法所遗漏的信号传导与调控互作相关基因。
• 在特征恢复方面，SPARDA优于逻辑回归、LDA与使用自动相关性确定的贝叶斯SVM，尤其在多重共线性条件下表现更优。
• 未正则化的PDA表现出比DiProPerm更高的统计效能，证实了针对散度最大化而非仅分类性能优化投影方向的优势。