[论文解读] Structured Correlation Detection with Application to Colocalization Analysis in Dual-Channel Fluorescence Microscopic Imaging

Shulei Wang, Jianqing Fan+2 more|arXiv (Cornell University)|Apr 7, 2016

Statistical Methods and Inference参考文献 18被引用 4

一句话总结

本文提出了一种用于双通道荧光显微镜中结构化相关性检测的大小校正似然比统计量，解决了传统最大对数似然方法存在的偏差和统计功效不足问题。通过针对区域大小进行归一化，该方法能够在一大类结构化相关性问题中实现最优的连续相关区域检测，且在选择偏差下具有渐近功效和鲁棒性的理论保证。

ABSTRACT

Motivated by the problem of colocalization analysis in fluorescence microscopic imaging, we study in this paper structured detection of correlated regions between two random processes observed on a common domain. We argue that although intuitive, direct use of the maximum log-likelihood statistic suffers from potential bias and substantially reduced power, and introduce a simple size-based normalization to overcome this problem. We show that scanning with the proposed size-corrected likelihood ratio statistics leads to optimal correlation detection over a large collection of structured correlation detection problems.

研究动机与目标

• 为解决直接最大对数似然统计量在共定位分析中的局限性，其因区域大小效应导致偏差和统计功效下降。
• 开发一种统计上有效且自动化的双通道荧光显微图像相关区域检测方法，无需依赖主观的感兴趣区域选择。
• 提供一种理论基础坚实的结构化相关性检测解决方案，可考虑在识别相关子区域时的选取偏差。
• 在一大类结构化相关性问题中实现最优检测性能，包括生物成像中的共定位问题。
• 确保即使相关区域较小或形状不规则，该方法仍能保持高统计功效。

提出的方法

• 提出一种大小校正的似然比统计量，通过将标准似然比除以候选区域的大小，以校正区域大小带来的固有偏差。
• 在候选区域库 $\tilde{\mathcal{R}}(A)$ 上执行扫描过程，其中 $A$ 表示区域大小，以检测最显著的相关子区域。
• 采用似然比检验统计量 $W_R = \frac{d\mathbb{P}_R}{d\mathbb{P}_0}$，其基于原假设（不相关）与备择假设（在区域 $R$ 上相关）下的二元正态模型推导得出。
• 采用一种归一化策略，以校正较大区域即使在无真实相关性时也自然产生更高似然比的事实。
• 理论分析基于矩不等式和集中不等式，表明在原假设下 $\mathbb{E}_0[|\tilde{\mathcal{R}}(A)|^{-1}\sum_R W_R] \to 1$，从而确保检验统计量的稳定性。
• 通过证明渐近最优性，表明该方法在相关信号微弱或局部化时仍能实现趋于零的第二类错误率并保持统计功效。

实验结果

研究问题

• RQ1 是否可以对似然比统计量进行修改，以减少在成像数据中检测结构化相关性时的偏差并提高统计功效？
• RQ2 区域大小如何影响标准相关性检测方法的性能，是否可对此进行校正？
• RQ3 是否可能开发一种扫描过程，在检测双通道荧光图像中微小且连续的相关区域时，仍保持统计有效性？
• RQ4 对于因区域选择而引入的选取偏差，能否为检测方法提供理论保证？
• RQ5 所提出的方法是否在一大类结构化相关性问题中实现了最优检测性能？

主要发现

• 大小校正的似然比统计量在备择假设下表现出渐近功效趋近于1，即使相关信号微弱亦然。
• 该方法控制了第一类错误率，并避免了基于观测相关强度选择区域所引入的偏差。
• 理论分析表明 $\mathbb{E}_0[|\tilde{\mathcal{R}}(A)|^{-1}\sum_R W_R] \to 1$，确保检验统计量在原假设下保持稳定。
• 该方法被证明是最优的，即在相同条件下，不存在其他检验可实现趋于零的第二类错误率。
• 该方法优于传统方法（如皮尔逊相关或置换检验），因其考虑了选取偏差和区域大小效应。
• 理论结果在条件 $A\log(1/(1-\rho^2)) \leq (2-\delta_n)\log(n/A)$ 下成立，该条件确保了微弱但具有结构的相关性的可检测性。