[论文解读] Statistical Methods in Topological Data Analysis for Complex, High-Dimensional Data

Patrick Medina, R. W. Doerge|arXiv (Cornell University)|Jul 18, 2016

Topological and Geometric Data Analysis参考文献 15被引用 3

一句话总结

本文通过使用持久同调将数据样本转换为拓扑摘要统计量，引入了统计方法在拓扑数据分析（TDA）中的应用，以分析复杂、高维数据。该方法通过在蛋白质构象结构上进行置换检验，展示了其应用效果，揭示了开放态与闭合态麦芽糖结合蛋白在拓扑特征上的统计显著差异（原假设H₀和H₁的p值为5.83×10⁻⁴，H₂的p值为0.0396）。

ABSTRACT

The utilization of statistical methods an their applications within the new field of study known as Topological Data Analysis has has tremendous potential for broadening our exploration and understanding of complex, high-dimensional data spaces. This paper provides an introductory overview of the mathematical underpinnings of Topological Data Analysis, the workflow to convert samples of data to topological summary statistics, and some of the statistical methods developed for performing inference on these topological summary statistics. The intention of this non-technical overview is to motivate statisticians who are interested in learning more about the subject.

研究动机与目标

• 为统计学家提供拓扑数据分析（TDA）数学基础的可及性介绍。
• 弥合统计推断与拓扑方法之间的鸿沟，以分析复杂、高维数据结构。
• 展示TDA在检测生物结构中统计显著差异方面的实用性，例如蛋白质构象。
• 开发并应用统计推断技术——特别是置换检验——于从数据中提取的拓扑摘要统计量。
• 说明如何通过连通分量和环等拓扑特征揭示分子数据中的结构差异。

提出的方法

• 基于成对距离，使用维特里斯-里普斯复形构造将高维数据样本转换为单纯复形。
• 计算持久同调，以追踪不同尺度参数下拓扑特征（如连通分量、环、空洞）的出生与死亡。
• 使用条形码和持久性景观图生成拓扑摘要统计量，以表示同调群的演化过程。
• 对每个持久性景观图应用一个函数，特别是曲线下总面积，以将函数型数据简化为标量摘要统计量。
• 执行两样本置换检验，以比较两组（如开放与闭合蛋白质结构）之间拓扑摘要统计量的均值。
• 利用置换检验得到的p值，评估不同同调群之间拓扑特征差异的统计显著性。

实验结果

研究问题

• RQ1 拓扑数据分析能否检测出高维生物数据（如蛋白质构象状态）中的有意义结构差异？
• RQ2 麦芽糖结合蛋白的开放与闭合构象之间，在拓扑特征（如连通分量、环）上是否存在统计显著差异？
• RQ3 如何利用持久同调与拓扑摘要统计量来量化并比较复杂高维数据的形状？
• RQ4 哪些统计推断方法在分析真实世界数据样本中提取的拓扑摘要统计量时是有效的？
• RQ5 持久性景观图的功能摘要能否在复杂数据集中实现对拓扑特征的稳健假设检验？

主要发现

• 置换检验揭示了麦芽糖结合蛋白开放与闭合构象之间连通分量数量（H₀）存在统计显著差异，p值为5.83×10⁻⁴。
• 在环的数量（H₁）方面也发现了统计显著差异，p值同样为5.83×10⁻⁴，表明其具有不同的拓扑结构。
• 对于第二同调群（H₂，代表空洞），p值为0.0396，表明两种蛋白质状态之间空洞数量存在显著差异。
• 闭合结构的持久性景观图不规则，而开放结构的则较为平滑，表明其拓扑复杂性存在差异。
• 应用于持久性景观图的功能——曲线下总面积——有效地将拓扑特征总结为适合统计检验的标量值。
• 结果表明，结合非参数推断的TDA能够检测出传统方法可能失效的高维数据中具有生物学意义的结构差异。