{ "brief_id": "SPR-2026-358E", "generated_at": "2026-07-21", "domains": [ "Gene expression and cancer classification", "Geochemistry and Geologic Mapping" ], "original_hypothesis": "Compositional data analysis (CoDA) principles from geochemistry can resolve the normalization and feature selection paradox in high-dimensional, low-sample-size gene expression data for cancer classification.", "grounding": { "novelty_assessment": { "score": 0.85, "closest_existing_work": [ { "paper_id": "3e150fcc1e3cd9da54bf433286acba01ecdc4ca3", "title": "Benchmarking differential expression analysis tools for RNA-Seq: normalization-based vs. log-ratio transformation-based methods", "doi": "10.1186/s12859-018-2261-8", "year": 2018, "similarity": "related", "key_difference": "This paper applies log-ratio transformations (CoDA) to RNA-Seq count data for differential expression analysis, but does not extend to cancer classification with deep learning (LSTM-DBN, CNN) nor address the HDLSS feature selection paradox. The hypothesis proposes a novel pipeline combining CoDA preprocessing with deep learning classifiers for cancer subtype classification, which is not explored here.", "authors": [ "T. Quinn", "T. Crowley", "M. Richardson" ] }, { "paper_id": "a139fec18a684e91878b2f0c5f6517b7dacb41e9", "title": "Clustering transformed compositional data using K-means, with applications in gene expression and bicycle sharing system data", "doi": "10.1080/02664763.2018.1454894", "year": 2017, "similarity": "related", "key_difference": "This paper applies CoDA (log-ratio transformations) to gene expression data for clustering, not classification. The hypothesis specifically targets cancer classification using deep learning and addresses the normalization paradox in feature selection, which is a distinct methodological contribution.", "authors": [ "Antoine Godichon-Baggioni", "C. Maugis-Rabusseau", "A. Rau" ] }, { "paper_id": "6bc5941de1af70a00b4d441ce918fb57fab8c777", "title": "DeepGx: Deep Learning Using Gene Expression for Cancer Classification", "doi": "10.1145/3341161.3343516", "year": 2019, "similarity": "related", "key_difference": "This paper uses deep learning (image-based transformation) for cancer classification from gene expression, but does not apply CoDA preprocessing or address the compositional nature of the data. The hypothesis proposes a fundamentally different preprocessing step (log-ratio transformation) that could resolve artifacts from standard normalization.", "authors": [ "Joseph M. De Guia", "M. Devaraj", "C. Leung" ] } ], "verdict": "novel" }, "evidence_base": [ { "paper_id": "3e150fcc1e3cd9da54bf433286acba01ecdc4ca3", "title": "Benchmarking differential expression analysis tools for RNA-Seq: normalization-based vs. log-ratio transformation-based methods", "doi": "10.1186/s12859-018-2261-8", "year": 2018, "citation_count": 68, "support_type": "direct", "relevance": "Directly supports the core mechanism: demonstrates that RNA-Seq data (like gene expression) is compositional and that log-ratio transformations (CoDA) can replace standard normalization for differential expression analysis. This validates the mathematical bridge between compositional data analysis and gene expression.", "key_finding": "Log-ratio transformation-based methods (e.g., ALDEx2) identify differentially expressed genes with high precision, outperforming standard normalization-based methods in some contexts, confirming that compositional principles apply to sequencing data.", "authors": [ "T. Quinn", "T. Crowley", "M. Richardson" ] }, { "paper_id": "a139fec18a684e91878b2f0c5f6517b7dacb41e9", "title": "Clustering transformed compositional data using K-means, with applications in gene expression and bicycle sharing system data", "doi": "10.1080/02664763.2018.1454894", "year": 2017, "citation_count": 58, "support_type": "direct", "relevance": "Directly applies CoDA (log-ratio transformations) to gene expression data for clustering, demonstrating that compositional data analysis is valid and useful for gene expression profiles. Supports the idea that gene expression data can be treated as compositional.", "key_finding": "Clustering on log-ratio transformed gene expression data (using the coseq package) yields meaningful groups of co-expressed genes, validating the compositional approach for gene expression analysis.", "authors": [ "Antoine Godichon-Baggioni", "C. Maugis-Rabusseau", "A. Rau" ] }, { "paper_id": "416d657d7e7825c585d786d3a23ed1e8d0905fc0", "title": "Hybrid Filter and Genetic Algorithm-Based Feature Selection for Improving Cancer Classification in High-Dimensional Microarray Data", "doi": "10.3390/pr11020562", "year": 2023, "citation_count": 71, "support_type": "indirect", "relevance": "Indirectly supports the hypothesis by highlighting the feature selection paradox in high-dimensional microarray data. The paper proposes a hybrid feature selection method to address this, but does not consider compositional normalization. This underscores the need for the CoDA-based approach proposed in the hypothesis.", "key_finding": "High-dimensional microarray data suffers from slow performance and noisy features; hybrid filter-genetic feature selection improves classification accuracy, but the underlying normalization issue (compositionality) is not addressed.", "authors": [ "Waleed Ali", "Faisal Saeed" ] }, { "paper_id": "9b1ad52402a163b76926fdff71352b82a011273c", "title": "Analysis of the microarray gene expression for breast cancer progression after the application modified logistic regression.", "doi": "10.1016/j.gene.2019.144168", "year": 2019, "citation_count": 43, "support_type": "indirect", "relevance": "Indirectly supports by describing the HDLSS problem in microarray data (low sample size, large feature number, non-square matrix). This is the exact setting where the hypothesis claims CoDA can resolve artifacts. The paper does not use CoDA, highlighting the gap.", "key_finding": "Microarray data is characterized by low sample size and high dimensionality, creating a non-square matrix and incomplete rank, which complicates classification. This motivates the need for better preprocessing (like CoDA).", "authors": [ "Francielly Morais-Rodrigues", "Rita Silvério-Machado", "R. Kato", "D. L. Rodrigues", "Juan Valdez-Baez", "V. Fonseca", "E. J. San", "L. Gomes", "R. G. Dos Santos", "Marcus Vinicius Canário Viana", "Joyce da Cruz Ferraz Dutra", "Mariana Teixeira Dornelles Parise", "Doglas Parise", "F. Campos", "S. J. de Souza", "J. Ortega", "D. Barh", "P. Ghosh", "V. Azevedo", "M. A. dos Santos" ] }, { "paper_id": "6bc5941de1af70a00b4d441ce918fb57fab8c777", "title": "DeepGx: Deep Learning Using Gene Expression for Cancer Classification", "doi": "10.1145/3341161.3343516", "year": 2019, "citation_count": 78, "support_type": "indirect", "relevance": "Indirectly supports by showing that deep learning (transforming 1D gene expression to 2D images) can be effective for cancer classification. The hypothesis proposes a different preprocessing (CoDA) before deep learning, which could potentially improve upon this approach.", "key_finding": "Transforming gene expression values into 2D images for CNN-based cancer classification achieves good performance, but does not account for compositional artifacts in the input data.", "authors": [ "Joseph M. De Guia", "M. Devaraj", "C. Leung" ] }, { "paper_id": "569cbe84ac050e322b413c1a0ed09d5f9d53e077", "title": "Graph convolutional network-based feature selection for high-dimensional and low-sample size data", "doi": "10.1093/bioinformatics/btad135", "year": 2022, "citation_count": 39, "support_type": "indirect", "relevance": "Indirectly supports by addressing the HDLSS feature selection challenge with a deep learning method (GRACES). The hypothesis argues that CoDA preprocessing can reduce false positive feature selection, which is complementary to this approach.", "key_finding": "Feature selection under HDLSS is challenging due to overfitting; GRACES uses graph convolutional networks to select important features, but does not address the compositional normalization issue.", "authors": [ "Can Chen", "Scott T. Weiss", "Yang-Yu Liu" ] }, { "paper_id": "8488644e94cd89a528350e532941a46d37201653", "title": "Major and trace element mapping of garnet: Unravelling the conditions, timing and rates of metamorphism of the Snowcap assemblage, west‐central Yukon", "doi": "10.1111/jmg.12562", "year": 2020, "citation_count": 32, "support_type": "analogous", "relevance": "Analogous support from geochemistry: demonstrates the use of compositional data (major and trace elements in garnet) to infer geological processes. This is the domain from which CoDA principles originate, supporting the validity of the methodological transfer proposed in the hypothesis.", "key_finding": "Compositional data from garnet (major and trace elements) are used to model metamorphic conditions, showing that compositional data analysis is a mature and effective approach in geochemistry.", "authors": [ "F. Gaidies", "Y. E. Morneau", "D. Petts", "S. Jackson", "A. Zagorevski", "J. Ryan" ] }, { "paper_id": "f5012902d221d10b6dd11180d509f55787be222a", "title": "Identification and correction of spurious spatial correlations in microarray data.", "doi": "10.2144/03351BM03", "year": 2003, "citation_count": 31, "support_type": "indirect", "relevance": "Indirectly supports by showing that microarray data contains systematic errors (spurious spatial correlations) that require correction. This is analogous to the 'spurious correlations' problem in compositional data (Pearson's paradox), which the hypothesis aims to address via CoDA.", "key_finding": "Microarray data suffer from systematic spatial artifacts that can be corrected by normalization methods like SNOMAD, highlighting the importance of proper preprocessing to avoid false correlations.", "authors": [ "J. Qian", "Y. Kluger", "Haiyuan Yu", "M. Gerstein" ] } ], "counter_evidence": [ { "paper_id": "2c73dba6b56b18037e7f376a6d16342bcf607695", "title": "Homogeneous Data Normalization and Deep Learning: A Case Study in Human Activity Classification", "doi": "10.3390/fi12110194", "year": 2020, "citation_count": 59, "finding": "This paper concludes that data normalization techniques are not helpful in classification problems with homogeneous data. This could be interpreted as a minor counter-argument if gene expression data is considered 'homogeneous' in terms of its compositional structure. However, the paper deals with sensor data, not gene expression, and the hypothesis specifically argues that gene expression is NOT homogeneous due to the closure problem.", "severity": "minor", "authors": [ "I. Pires", "Faisal Bashir Hussain", "N. Garcia", "Petre Lameski", "Eftim Zdravevski" ] }, { "paper_id": "6672ced775f2f997278fdd0485466d608ebf355c", "title": "Computational and analytical framework for small RNA profiling by high-throughput sequencing.", "doi": "10.1261/rna.1473809", "year": 2009, "citation_count": 131, "finding": "This paper introduces synthetic RNA standards for normalization of HTS data, suggesting that external spike-ins can provide absolute quantification, which could circumvent the compositional problem. This is a minor counter-point because the hypothesis focuses on standard normalization methods (RMA, TPM) that do not use spike-ins, and the paper does not invalidate the compositional nature of data without spike-ins.", "severity": "minor", "authors": [ "N. Fahlgren", "C. Sullivan", "K. Kasschau", "E. Chapman", "Jason S. Cumbie", "Taiowa A. Montgomery", "S. Gilbert", "Mark Dasenko", "Tyler W. H. Backman", "Scott A. Givan", "J. C. Carrington" ] } ], "gap_manifest_update": { "closed_gaps": [ "The mathematical bridge between CoDA and gene expression data is supported by paper 3e150fcc (log-ratio transformations for RNA-Seq) and paper a139fec18 (clustering compositional gene expression data).", "The existence of the HDLSS feature selection paradox in microarray data is confirmed by papers 416d657d7e and 9b1ad52402, which describe high-dimensionality and low sample size challenges." ], "new_gaps": [ "No paper in the provided list directly applies CoDA preprocessing (CLR/ILR) to deep learning classifiers (LSTM-DBN, CNN) for cancer classification. This remains an unexplored gap.", "No paper in the list provides a direct comparison of CoDA-based normalization vs. standard normalization (RMA, TPM) for cancer subtype classification accuracy. This is a key experimental gap.", "The biological interpretability of log-ratio transformed features (whether they correspond to known pathways) is not addressed in any of the provided papers. This remains an epistemic gap." ], "data_available": [ "Paper 3e150fcc (Quinn et al., 2018) provides a benchmarking framework and code for comparing normalization vs. log-ratio transformation methods for RNA-Seq data, which could be adapted for the proposed hypothesis.", "Paper 416d657d7e (Ali & Saeed, 2023) uses microarray datasets for cancer classification, but specific dataset identifiers (GSE numbers) are not provided in the abstract. Would need full text.", "Paper 6bc5941d (De Guia et al., 2019) uses RNA-seq from the Pan-Cancer Atlas, which is a publicly available dataset that could be used to test the hypothesis." ] }, "search_queries": [ { "query": "compositional data analysis gene expression cancer classification", "type": "novelty", "rationale": "Direct search for the core hypothesis: applying CoDA to gene expression for cancer classification." }, { "query": "log-ratio transformation microarray deep learning", "type": "novelty", "rationale": "Checks if log-ratio transforms (CLR/ILR) have been explicitly combined with deep learning on microarray data." }, { "query": "centered log-ratio normalization RNA-seq classification", "type": "novelty", "rationale": "Searches for CLR applied to RNA-seq (or microarray) specifically for classification tasks, not just differential expression." }, { "query": "isometric log-ratio feature selection high-dimensional", "type": "novelty", "rationale": "Tests if ILR has been proposed as a feature selection method for high-dimensional genomic data." }, { "query": "spurious correlation compositional data gene expression", "type": "evidence", "rationale": "Seeks evidence for Pearson's paradox (spurious correlations) in gene expression data due to closure." }, { "query": "closure problem microarray normalization artifacts", "type": "evidence", "rationale": "Finds evidence that standard normalization (RMA, quantile) introduces artifacts due to ignoring compositionality." }, { "query": "log-ratio transformation differential expression false positive", "type": "evidence", "rationale": "Looks for studies showing that log-ratio transforms reduce false positives in differential expression analysis." }, { "query": "compositional data high-dimensional low-sample-size", "type": "evidence", "rationale": "Searches for theoretical or applied work on CoDA in high-dimensional, low-sample-size (HDLSS) settings." }, { "query": "geochemistry log-ratio machine learning classification", "type": "cross_domain", "rationale": "Finds precedents of CoDA-based ML classification in geochemistry, the source domain." }, { "query": "compositional data analysis bioinformatics transcriptomics", "type": "cross_domain", "rationale": "Searches for existing bridges between CoDA and transcriptomics/bioinformatics." }, { "query": "simplex data normalization deep learning", "type": "cross_domain", "rationale": "Looks for any domain (e.g., ecology, economics) where simplex data is normalized before deep learning." } ] }, "sharpened": { "title": "Log-Ratio Transformation of Microarray Gene Expression Data Reduces False Positive Feature Selection and Improves Cancer Subtype Classification Accuracy in High-Dimensional, Low-Sample-Size Settings", "formal_statement": "If microarray gene expression data, which is compositional (i.e., each sample's total measured intensity is constrained to a constant sum), is preprocessed using a centered log-ratio (CLR) or isometric log-ratio (ILR) transformation before training a deep learning classifier (CNN or LSTM), then the false positive rate (FPR) of feature selection will be significantly lower and the balanced accuracy of cancer subtype classification will be significantly higher compared to standard normalization (RMA, quantile), because the log-ratio transformation removes the spurious negative correlation bias induced by the closure constraint, thereby revealing the true covariance structure among genes.", "independent_variables": [ { "name": "Normalization method applied to raw microarray expression matrix", "type": "categorical", "range": "RMA, Quantile, CLR, ILR (with 3 different orthonormal bases)", "unit": "categorical" }, { "name": "Deep learning classifier architecture", "type": "categorical", "range": "CNN (2D image-based), LSTM (1D sequence-based)", "unit": "categorical" }, { "name": "Number of selected features (genes) used for classification", "type": "continuous", "range": "50 - 500", "unit": "genes" } ], "dependent_variables": [ { "name": "False positive rate (FPR) of differential expression feature selection", "type": "continuous", "expected_direction": "decrease", "unit": "proportion (0 to 1)" }, { "name": "Balanced accuracy of cancer subtype classification", "type": "continuous", "expected_direction": "increase", "unit": "proportion (0 to 1)" }, { "name": "Stability of selected feature sets across cross-validation folds", "type": "continuous", "expected_direction": "increase", "unit": "Jaccard index (0 to 1)" } ], "proposed_mechanism": { "causal_chain": [ "Step 1: Raw microarray probe intensities for a given sample are normalized by standard methods (RMA, quantile) which do not enforce a constant sum constraint, or by CoDA methods (CLR, ILR) which explicitly map the data from the simplex to real space via log-ratios.", "Step 2: For standard normalization, the closure constraint (sum of intensities per sample is approximately constant) remains implicit, inducing a negative correlation bias among all genes (Pearson's paradox). For CoDA, the log-ratio transformation removes this bias by making the covariance structure independent of the total sum.", "Step 3: A feature selection step (e.g., ANOVA F-test or mutual information) is applied to the normalized data. Under standard normalization, many genes appear differentially expressed due to the spurious negative correlation, inflating the FPR. Under CoDA, the true differentially expressed genes are ranked higher.", "Step 4: A deep learning classifier (CNN or LSTM) is trained on the top-k selected features. With CoDA preprocessing, the input feature space contains fewer false positives, reducing overfitting and improving generalization, measured as higher balanced accuracy on held-out test sets.", "Step 5: The stability of the selected feature set across cross-validation folds is quantified via the Jaccard index. CoDA preprocessing is expected to yield higher stability because the selection is driven by true biological signal rather than compositional artifacts." ], "key_assumptions": [ "Assumption 1: The total measured intensity per microarray sample (after background correction) is approximately constant across samples within a given dataset (coefficient of variation < 10%).", "Assumption 2: The compositional nature of the data is the dominant source of spurious correlations in the high-dimensional, low-sample-size (HDLSS) regime.", "Assumption 3: The deep learning classifiers (CNN, LSTM) are capable of learning non-linear decision boundaries from the log-ratio transformed features without requiring the covariance matrix to be full rank.", "Assumption 4: Zero or near-zero expression values can be handled by a pseudo-count replacement (e.g., 0.5) or a filter (e.g., remove genes with mean expression < 1 count per million) without introducing significant bias." ], "known_unknowns": [ "We do not know whether the optimal orthonormal basis for ILR transformation is dataset-dependent.", "We do not know whether the stability of deep learning classifiers to the singular covariance matrix after CLR is sufficient without explicit regularization.", "We do not know whether the magnitude of the FPR reduction is consistent across different cancer types and microarray platforms." ] }, "falsifiable_predictions": [ { "prediction": "The FPR of feature selection (at a nominal alpha=0.05) will be at least 15% lower for CLR/ILR-preprocessed data compared to RMA-preprocessed data.", "quantitative_bound": "Reduction of 15-30% in FPR, measured over 100 Monte Carlo simulations of synthetic data with known ground truth and fold-changes of 1.2-1.5.", "measurement_method": "Synthetic microarray data generated from a known covariance structure with a subset of truly differentially expressed genes. FPR computed as (number of false positives) / (total number of non-differentially expressed genes).", "null_hypothesis": "H0: The FPR for CLR/ILR is equal to or greater than the FPR for RMA (one-sided test).", "statistical_test": "Paired t-test (or Wilcoxon signed-rank if normality violated) on FPR values from 100 simulation replicates, alpha=0.05, one-sided." }, { "prediction": "The balanced accuracy of cancer subtype classification will be at least 5 percentage points higher for CLR/ILR-preprocessed data compared to RMA-preprocessed data, when using a CNN classifier on the top 200 selected features.", "quantitative_bound": "Increase of 5-12 percentage points in balanced accuracy, measured on 3 public microarray datasets (e.g., GSE2034, GSE1456, GSE3494) using repeated 10-fold cross-validation (5 repeats).", "measurement_method": "Balanced accuracy = (sensitivity + specificity) / 2, computed on held-out test folds. Hyperparameters of CNN are tuned on a separate validation set in a blinded manner.", "null_hypothesis": "H0: The balanced accuracy for CLR/ILR is equal to or less than the balanced accuracy for RMA (one-sided test).", "statistical_test": "Paired t-test on the 50 cross-validation accuracy values (10 folds x 5 repeats) for each dataset, alpha=0.05, one-sided, with Bonferroni correction for 3 datasets." }, { "prediction": "The Jaccard index of the top 200 selected features across cross-validation folds will be at least 0.10 higher for CLR/ILR-preprocessed data compared to RMA-preprocessed data.", "quantitative_bound": "Increase of 0.10-0.25 in mean Jaccard index, measured over 10-fold cross-validation.", "measurement_method": "For each fold, select top 200 features by ANOVA F-test. Compute pairwise Jaccard index between all fold pairs. Average over all pairs.", "null_hypothesis": "H0: The mean Jaccard index for CLR/ILR is equal to or less than the mean Jaccard index for RMA (one-sided test).", "statistical_test": "Paired t-test on the mean Jaccard indices from 5 repeated cross-validation runs, alpha=0.05, one-sided." } ], "boundary_conditions": [ { "condition": "The total intensity per sample must have a coefficient of variation (CV) less than 15% across samples in the dataset.", "justification": "If the CV exceeds 15%, the closure constraint is weak, and the compositional artifact is negligible; the proposed mechanism would not apply." }, { "condition": "The number of samples (n) must be at least 30, and the number of features (p) must be at least 10 times n (p/n > 10).", "justification": "The HDLSS regime is defined by p >> n. Below p/n = 10, standard regularization methods may already suffice, and the compositional artifact is less dominant." }, { "condition": "The deep learning classifier must use a regularization technique (e.g., dropout, weight decay, or early stopping) to handle the singular covariance matrix after CLR transformation.", "justification": "Without regularization, the classifier may fail to converge or overfit severely due to the rank-deficient covariance matrix." }, { "condition": "Genes with zero expression in more than 20% of samples must be filtered out or imputed before log-ratio transformation.", "justification": "Log-ratio transformations are undefined for zeros. A pseudo-count of 0.5 is used for remaining zeros, but high sparsity can bias results." } ], "theoretical_framework": "Compositional Data Analysis (CoDA) and the Aitchison geometry of the simplex, applied to high-dimensional biological data." }, "protocol": { "protocol_title": "Validation de l'effet des transformations log-ratio (CLR/ILR) sur la réduction des faux positifs et l'amélioration de la classification des sous-types de cancer à partir de données de puces à ADN (microarrays) en contexte HDLSS", "overall_timeline": "8-14 months", "overall_budget_estimate": "€20k-80k", "phases": [ { "phase_number": 1, "phase_name": "In Silico Validation – Simulation et Réfutation Rapide", "objective": "Démontrer que le mécanisme central (biais de corrélation négative dû à la contrainte de somme constante) est bien la cause de l'inflation du FPR, et que les transformations CLR/ILR le corrigent, en utilisant des données synthétiques avec vérité terrain connue.", "methodology": "1. Génération de données synthétiques : Simuler 100 jeux de données de puces à ADN avec p=5000 gènes, n=50 échantillons, en utilisant un modèle de covariance structurée (e.g., bloc diagonal avec corrélations intra-bloc ρ=0.3, inter-bloc ρ=0.0). Ajouter un signal différentiel pour 50 gènes (fold-change 1.2-1.5). Appliquer une contrainte de somme constante (normalisation par somme totale) pour simuler l'effet de composition. 2. Prétraitement : Appliquer RMA, Quantile, CLR, ILR (3 bases orthonormales aléatoires). 3. Sélection de caractéristiques : ANOVA F-test (α=0.05) sur chaque jeu de données. 4. Calcul du FPR : (nombre de faux positifs) / (nombre total de gènes non-différentiels). 5. Test statistique : Test de Wilcoxon signé unilatéral comparant FPR(CLR/ILR) vs FPR(RMA) sur 100 réplicats. 6. Analyse de stabilité : Calcul de l'indice de Jaccard moyen des top-200 gènes sélectionnés sur 10 folds de validation croisée.", "required_resources": { "equipment": [ "Station de travail avec CPU 8 cœurs, 32 Go RAM" ], "software": [ "Python 3.9+", "R 4.2+", "Bibliothèques Python : numpy, scipy, scikit-learn, pandas, matplotlib", "Bibliothèques R : CoDaSeq, mixOmics, propr", "Environnement : Jupyter Notebook ou RStudio" ], "datasets": [ "Aucun jeu de données réel nécessaire (synthétique uniquement)" ], "competences": [ "Simulation de données omiques", "Analyse compositionnelle (CoDA)", "Tests statistiques fréquentistes", "Programmation Python/R" ], "estimated_cost": "€500-2000", "estimated_duration": "4-6 weeks" }, "expected_outputs": [ "Boîte à moustaches comparant les distributions de FPR pour chaque méthode de normalisation (100 réplicats).", "Valeurs de p du test de Wilcoxon pour chaque comparaison (CLR vs RMA, ILR vs RMA).", "Courbes de stabilité (Jaccard index) en fonction du nombre de caractéristiques sélectionnées.", "Scripts de simulation et d'analyse reproductibles (dépôt GitHub)." ], "success_criteria": [ { "metric": "Réduction médiane du FPR pour CLR/ILR par rapport à RMA", "threshold": "≥ 15% (médiane sur 100 réplicats)", "measurement": "Calcul direct : (FPR_RMA - FPR_CLR) / FPR_RMA * 100" }, { "metric": "Significativité statistique de la réduction", "threshold": "p < 0.05 (test de Wilcoxon unilatéral)", "measurement": "Application du test sur les 100 paires de valeurs FPR" }, { "metric": "Stabilité de la sélection (Jaccard index moyen)", "threshold": "≥ 0.10 d'augmentation pour CLR/ILR vs RMA", "measurement": "Moyenne des Jaccard index sur 10 folds de CV, comparée entre méthodes" } ], "go_nogo_decision": { "go_if": "Les trois critères de succès sont remplis simultanément.", "nogo_if": "Un ou plusieurs critères ne sont pas atteints (e.g., réduction < 10%, p > 0.10, ou Jaccard index non amélioré).", "pivot_if": "Si la réduction du FPR est observée mais que la stabilité n'est pas améliorée, envisager de tester d'autres méthodes de sélection de caractéristiques (e.g., Mutual Information, LASSO) en Phase 2." }, "risks": [ { "risk": "Les données synthétiques ne capturent pas la complexité des vrais jeux de données (e.g., bruit technique, effets batch).", "probability": "medium", "mitigation": "Utiliser un modèle de covariance réaliste (e.g., basé sur des données réelles de puces à ADN) et ajouter un bruit gaussien additif." }, { "risk": "Le choix de la base orthonormale pour ILR influence fortement les résultats.", "probability": "medium", "mitigation": "Tester 3 bases orthonormales aléatoires différentes et rapporter la variabilité des résultats." }, { "risk": "Le FPR est déjà très bas avec RMA dans les simulations, rendant la réduction difficile à observer.", "probability": "low", "mitigation": "Augmenter le nombre de gènes non-différentiels (p) ou réduire la taille de l'effet (fold-change) pour créer un scénario plus réaliste de HDLSS." } ] }, { "phase_number": 2, "phase_name": "Minimal Experimental Validation – Test sur un Jeu de Données Réel", "objective": "Confirmer que les résultats de la Phase 1 se généralisent à un jeu de données réel de puces à ADN (cancer du sein), en mesurant le FPR et la précision équilibrée de classification.", "methodology": "1. Jeu de données : Utiliser GSE2034 (cancer du sein, 286 échantillons, sous-types : ER+ vs ER-). Vérifier les conditions limites : CV de l'intensité totale < 15%, p/n > 10. Filtrer les gènes avec >20% de zéros. 2. Prétraitement : Appliquer RMA, Quantile, CLR, ILR (1 base). 3. Sélection de caractéristiques : ANOVA F-test (α=0.05) pour sélectionner les top-200 gènes. 4. Classification : Entraîner un CNN 1D (ou MLP simple si CNN trop coûteux) avec régularisation (dropout 0.5, early stopping). Validation croisée répétée 5x10-fold. 5. Métriques : FPR estimé par permutation (shuffling des labels) pour chaque méthode ; précision équilibrée sur les folds de test. 6. Comparaison : Test de Wilcoxon apparié sur les 50 valeurs de précision équilibrée (5 répétitions x 10 folds) entre CLR/ILR et RMA.", "required_resources": { "equipment": [ "Station de travail avec GPU (NVIDIA RTX 3060 ou supérieur) recommandé mais pas obligatoire" ], "software": [ "Python 3.9+", "TensorFlow 2.x ou PyTorch 2.x", "scikit-learn, pandas, numpy", "GEOquery (R) ou pandas pour télécharger les données" ], "datasets": [ "GSE2034 (cancer du sein, plateforme Affymetrix HG-U133A)" ], "competences": [ "Prétraitement de données de puces à ADN (Affymetrix)", "Implémentation de CNN/MLP", "Validation croisée et tests statistiques" ], "estimated_cost": "€2k-5k (coût de calcul GPU si nécessaire)", "estimated_duration": "1-2 months" }, "expected_outputs": [ "Tableau comparatif des FPR estimés par permutation pour chaque méthode de normalisation.", "Diagramme en boîte de la précision équilibrée pour les 4 méthodes de normalisation (50 valeurs chacune).", "Valeurs de p du test de Wilcoxon apparié pour la précision équilibrée (CLR vs RMA, ILR vs RMA).", "Analyse de stabilité : Jaccard index moyen des top-200 gènes sélectionnés sur les 50 folds." ], "success_criteria": [ { "metric": "Augmentation de la précision équilibrée pour CLR/ILR vs RMA", "threshold": "≥ 5 points de pourcentage (médiane sur 50 folds)", "measurement": "Calcul direct : précision_équilibrée_CLR - précision_équilibrée_RMA" }, { "metric": "Significativité statistique de l'augmentation", "threshold": "p < 0.05 (test de Wilcoxon apparié unilatéral)", "measurement": "Application du test sur les 50 paires de valeurs" }, { "metric": "Réduction du FPR estimé par permutation", "threshold": "≥ 10% de réduction relative pour CLR/ILR vs RMA", "measurement": "(FPR_RMA - FPR_CLR) / FPR_RMA * 100" } ], "go_nogo_decision": { "go_if": "Les trois critères de succès sont remplis sur le jeu de données GSE2034.", "nogo_if": "Un ou plusieurs critères ne sont pas atteints (e.g., augmentation < 3 points, p > 0.10).", "pivot_if": "Si la précision équilibrée augmente mais que le FPR ne diminue pas, envisager de tester d'autres classifieurs (e.g., LSTM, XGBoost) ou d'ajouter une étape de sélection de caractéristiques plus robuste (e.g., LASSO)." }, "risks": [ { "risk": "Le jeu de données GSE2034 peut ne pas respecter la condition CV < 15% (intensité totale).", "probability": "medium", "mitigation": "Pré-tester le CV sur les données brutes. Si >15%, utiliser un autre jeu de données (e.g., GSE1456, GSE3494) ou appliquer une normalisation plus stricte (e.g., quantile)." }, { "risk": "Le CNN 1D peut être trop complexe pour n=286 échantillons, entraînant un surapprentissage.", "probability": "high", "mitigation": "Utiliser un MLP simple (2 couches cachées, 128 neurones) avec forte régularisation (dropout 0.5, weight decay). Comparer les performances avec un classifieur linéaire (régression logistique) comme baseline." }, { "risk": "Les résultats peuvent être spécifiques au jeu de données GSE2034 et non généralisables.", "probability": "medium", "mitigation": "Prévoir de tester un deuxième jeu de données (e.g., GSE1456) si le temps le permet, mais cela reste optionnel en Phase 2." } ] }, { "phase_number": 3, "phase_name": "Full Experimental Protocol – Validation Multi-Datasets et Généralisation", "objective": "Valider rigoureusement et de manière publiable l'hypothèse sur 3 jeux de données publics indépendants, avec des architectures deep learning avancées (CNN 2D, LSTM) et une analyse complète de la stabilité et de la reproductibilité.", "methodology": "1. Jeux de données : GSE2034, GSE1456, GSE3494 (cancer du sein, sous-types ER+/ER-). Vérifier les conditions limites pour chaque dataset. 2. Prétraitement : RMA, Quantile, CLR, ILR (3 bases). 3. Sélection de caractéristiques : ANOVA F-test, Mutual Information, LASSO (pour comparaison). 4. Classification : CNN 2D (images de 20x10 gènes ordonnés par corrélation), LSTM (séquence de gènes ordonnés par expression). Hyperparamètres optimisés par validation croisée interne (GridSearch sur dropout, learning rate, nombre de couches). 5. Métriques : FPR (par permutation), précision équilibrée, Jaccard index, AUC-ROC. 6. Analyse statistique : Tests de Wilcoxon appariés avec correction de Bonferroni (3 datasets). Analyse de puissance post-hoc. 7. Reproductibilité : Code et pipelines entièrement conteneurisés (Docker), dépôt GitHub public, données d'analyse sur Zenodo.", "required_resources": { "equipment": [ "Serveur de calcul avec GPU (NVIDIA A100 ou équivalent) ou cluster HPC" ], "software": [ "Python 3.9+", "TensorFlow 2.x ou PyTorch 2.x", "Docker", "Snakemake ou Nextflow pour le pipeline", "Git, DVC pour le versioning des données" ], "datasets": [ "GSE2034 (Affymetrix HG-U133A)", "GSE1456 (Affymetrix HG-U133A)", "GSE3494 (Affymetrix HG-U133 Plus 2.0)" ], "competences": [ "Deep learning avancé (CNN, LSTM)", "Analyse compositionnelle (CoDA)", "Gestion de pipelines reproductibles", "Statistiques multivariées et correction de tests multiples" ], "estimated_cost": "€15k-50k (coût de calcul GPU, stockage, publication en open access)", "estimated_duration": "6-12 months" }, "expected_outputs": [ "Article scientifique soumis à une revue avec comité de lecture (e.g., Bioinformatics, PLOS Computational Biology).", "Pipeline reproductible (Docker + Snakemake) disponible sur GitHub.", "Jeux de données prétraités et résultats intermédiaires déposés sur Zenodo.", "Tableaux et figures pour chaque métrique (FPR, précision équilibrée, Jaccard index) pour tous les datasets et méthodes." ], "success_criteria": [ { "metric": "Augmentation de la précision équilibrée pour CLR/ILR vs RMA (moyenne sur 3 datasets)", "threshold": "≥ 5 points de pourcentage (moyenne pondérée par la taille du dataset)", "measurement": "Calcul direct à partir des résultats de validation croisée" }, { "metric": "Significativité statistique après correction de Bonferroni", "threshold": "p < 0.0167 (0.05/3) pour chaque dataset individuellement", "measurement": "Test de Wilcoxon apparié sur les 50 folds de chaque dataset" }, { "metric": "Réduction du FPR (moyenne sur 3 datasets)", "threshold": "≥ 15% de réduction relative pour CLR/ILR vs RMA", "measurement": "(FPR_RMA - FPR_CLR) / FPR_RMA * 100, moyenné sur les datasets" }, { "metric": "Stabilité de la sélection (Jaccard index moyen)", "threshold": "≥ 0.15 d'augmentation pour CLR/ILR vs RMA (moyenne sur 3 datasets)", "measurement": "Moyenne des Jaccard index sur les 50 folds, comparée entre méthodes" } ], "go_nogo_decision": { "go_if": "Tous les critères de succès sont remplis pour au moins 2 des 3 datasets, avec des résultats cohérents.", "nogo_if": "Les résultats sont contradictoires entre datasets (e.g., amélioration sur un seul dataset) ou les critères ne sont pas atteints.", "pivot_if": "Si les résultats sont positifs mais faibles, envisager de tester des transformations log-ratio alternatives (e.g., additive log-ratio) ou d'utiliser des méthodes d'apprentissage profond plus adaptées aux données compositionnelles (e.g., réseaux de neurones invariants par permutation)." }, "risks": [ { "risk": "Les résultats peuvent ne pas être généralisables à d'autres types de cancer (e.g., poumon, colon).", "probability": "high", "mitigation": "Inclure un dataset de cancer du poumon (e.g., GSE18842) comme validation externe supplémentaire, si le budget le permet." }, { "risk": "Le coût de calcul pour l'optimisation des hyperparamètres des CNN/LSTM peut être très élevé.", "probability": "medium", "mitigation": "Utiliser une recherche aléatoire (Random Search) plutôt que Grid Search, et limiter le nombre de combinaisons à 50. Utiliser des instances GPU préemptibles sur le cloud (e.g., AWS Spot, Google Preemptible) pour réduire les coûts." }, { "risk": "Les reviewers peuvent exiger une validation sur des données simulées plus réalistes (e.g., avec effets batch).", "probability": "medium", "mitigation": "Ajouter une simulation avec effets batch (e.g., ComBat) dans l'analyse supplémentaire (Supplementary Materials)." } ] } ], "phase_1_quick_start": { "can_start_today": true, "first_action": "Écrire le script Python de génération de données synthétiques avec covariance structurée et contrainte de somme constante, en utilisant numpy et scipy.", "tools_needed": [ "Python 3.9+", "numpy", "scipy", "scikit-learn", "Jupyter Notebook" ], "open_data_sources": [ "Aucune donnée externe nécessaire (synthétique)" ] } }, "panel": { "reviews": [ { "reviewer_persona": "methodologist", "overall_score": 7.8, "verdict": "accept", "strengths": [ "Excellente articulation entre hypothèse mécanistique (biais de corrélation négative dû à la contrainte de somme constante) et prédictions falsifiables quantifiées avec des bornes précises (15-30% de réduction du FPR, 5-12 points de pourcentage de précision équilibrée). Cela permet une réfutation claire et évite les conclusions vagues.", "Protocole en trois phases bien structuré avec des critères GO/NO-GO/PIVOT explicites à chaque étape, ce qui permet une prise de décision objective et une adaptation méthodologique sans dérive exploratoire. L'inclusion de pivots (ex: test d'autres méthodes de sélection de caractéristiques) montre une anticipation des échecs potentiels.", "Utilisation de données synthétiques avec vérité terrain connue (Phase 1) pour valider le mécanisme causal avant de passer aux données réelles, ce qui renforce considérablement la validité interne. Le choix de simulations Monte Carlo (100 réplicats) avec une structure de covariance réaliste (bloc diagonal) est méthodologiquement solide." ], "weaknesses": [ "La puissance statistique pour les tests unilatéraux dans la Phase 2 (n=50 folds après 5x10-fold CV) n'est pas justifiée explicitement. Avec une taille d'effet attendue de 5 points de pourcentage et une variabilité potentielle entre folds (due à la corrélation intra-sujet), le risque de faux négatif (erreur de type II) est non négligeable, surtout si les données réelles sont plus bruitées que les simulations.", "Le contrôle des biais de confirmation et de publication est insuffisant. Le protocole ne mentionne pas de pré-enregistrement (pre-registration) sur une plateforme comme OSF ou AsPredicted, ni de plan d'analyse aveugle (blind analysis) pour l'optimisation des hyperparamètres des CNN/LSTM en Phase 3. Cela expose à un risque de 'p-hacking' ou de 'cherry-picking' des architectures.", "La généralisation est limitée à trois jeux de données de cancer du sein (ER+/ER-). L'hypothèse étant mécanistique (basée sur la compositionnalité), elle devrait être testée sur d'autres types de cancer (poumon, colon) ou d'autres technologies (RNA-seq) pour éviter un biais de sélection des données. Le protocole le mentionne comme risque mais ne propose pas de pivot clair." ], "critical_questions": [ "Comment comptez-vous garantir que l'optimisation des hyperparamètres des CNN/LSTM en Phase 3 reste aveugle par rapport aux métriques de test ? Un plan d'analyse pré-enregistré avec des splits de validation dédiés est-il prévu pour éviter le surajustement des hyperparamètres aux données de test ?", "Quelle est la puissance statistique estimée pour détecter une augmentation de 5 points de pourcentage de la précision équilibrée dans la Phase 2, compte tenu de la corrélation intra-folds de la validation croisée répétée ? Un calcul de puissance a priori basé sur des données pilotes ou des simulations bootstrap est-il envisagé ?", "Si les résultats sont positifs sur les trois jeux de données de cancer du sein mais négatifs sur un quatrième jeu (ex: poumon), considérerez-vous l'hypothèse comme réfutée ou spécifique au contexte ? Le protocole ne définit pas de règle de décision claire pour une généralisation échouée." ], "recommendation": "Ce protocole est d'une rigueur méthodologique exemplaire dans sa conception, avec des prédictions falsifiables bien délimitées et une structure GO/NO-GO qui force l'honnêteté intellectuelle. Les faiblesses principales sont l'absence de pré-enregistrement et de calcul de puissance a priori explicite, ainsi qu'un périmètre de généralisation trop restreint. Je recommande d'ajouter un pré-enregistrement (avec un plan d'analyse statique détaillé) et d'inclure au moins un jeu de données d'un autre type de cancer (ex: GSE18842 pour le poumon) ou de RNA-seq (ex: TCGA-BRCA) pour renforcer la validité externe. Sous ces conditions, le protocole est publiable dans un journal de méthodologie de haut niveau.", "confidence": 0.88 }, { "reviewer_persona": "domain_expert", "overall_score": 7.2, "verdict": "accept", "strengths": [ "L'hypothèse identifie correctement un problème fondamental et souvent négligé en analyse de données d'expression génique : la nature compositionnelle des données de microarray et le biais de corrélation négative induit par la contrainte de somme constante (paradoxe de Pearson). L'application de la transformation log-ratio (CLR/ILR) comme solution est théoriquement fondée sur la géométrie d'Aitchison du simplexe.", "La chaîne causale proposée est logique et bien articulée : elle relie la normalisation standard (RMA, quantile) à un biais de corrélation, qui à son tour gonfle le taux de faux positifs (FPR) dans la sélection de caractéristiques, et finalement nuit à la généralisation du classifieur profond. Le mécanisme est cohérent avec les principes de l'analyse de données compositionnelles (CoDA).", "L'évaluation de la nouveauté (score 0.85) est réaliste. L'hypothèse combine des éléments existants (CoDA pour l'expression génique, deep learning pour la classification) dans une pipeline originale qui n'a pas été testée de manière systématique pour le problème spécifique du FPR dans le contexte HDLSS des microarrays." ], "weaknesses": [ "L'hypothèse repose sur une hypothèse forte (Assumption 1) : que l'intensité totale mesurée par échantillon de microarray est approximativement constante (CV < 10%). Cette hypothèse est discutable. Les protocoles de normalisation comme RMA sont précisément conçus pour éliminer les effets techniques et rendre les distributions comparables entre échantillons, ce qui brise la contrainte de somme constante. La 'compositionnalité' des données de microarray après normalisation standard est donc un artefact partiel, pas une propriété inhérente et stable.", "Le mécanisme proposé ignore le rôle crucial de la normalisation standard (RMA, quantile) dans la correction des biais techniques (bruit de fond, effets de puce). Remplacer cette normalisation par une simple transformation CLR/ILR pourrait introduire de nouveaux artefacts (par exemple, une sensibilité accrue aux valeurs aberrantes ou aux gènes faiblement exprimés) et ne résout pas les problèmes de bruit de fond pour lesquels RMA a été conçu.", "La base de preuves est insuffisante. Les articles cités (Quinn et al. 2018, Godichon-Baggioni et al. 2017) montrent que CoDA est applicable à l'expression génique, mais ils ne démontrent pas que la transformation log-ratio réduit le FPR dans la sélection de caractéristiques pour la classification par deep learning en contexte HDLSS. L'extrapolation est trop audacieuse sans preuve directe. Les articles indirects (DeepGx, GRACES) ne traitent pas du problème compositionnel." ], "critical_questions": [ "Comment l'hypothèse justifie-t-elle que la transformation CLR/ILR, qui nécessite des données strictement positives et non nulles, est applicable aux données de microarray après un prétraitement standard (comme RMA) qui peut produire des valeurs négatives ou nulles ? La gestion des zéros et des valeurs négatives est un problème majeur en CoDA, et la solution proposée (pseudo-count ou filtre) est-elle suffisante pour ne pas introduire un biais important ?", "L'hypothèse affirme que la transformation log-ratio supprime le biais de corrélation négative. Cependant, dans un contexte HDLSS (p >> n), la matrice de covariance empirique est singulière et bruitée, même après transformation. Comment l'hypothèse distingue-t-elle la réduction du biais compositionnel de la simple régularisation implicite apportée par la transformation (qui réduit la dimensionnalité effective) ? Un test de permutation ou une analyse de sensibilité est-il prévu pour isoler l'effet spécifique de la compositionnalité ?", "Le choix du classifieur profond (CNN, LSTM) est-il justifié pour des données tabulaires de type expression génique ? Les CNN et LSTM sont conçus pour des données à structure spatiale ou séquentielle. Pourquoi ne pas envisager des classifieurs plus standards (SVM, forêts aléatoires) qui pourraient être plus robustes et interprétables dans ce contexte, et qui permettraient de mieux isoler l'effet de la transformation CoDA ?" ], "recommendation": "L'hypothèse est théoriquement cohérente et propose une direction de recherche prometteuse, mais elle nécessite des preuves expérimentales plus solides et une meilleure prise en compte des subtilités du prétraitement des données de microarray. Je recommande de reformuler l'hypothèse pour la rendre plus spécifique (par exemple, en se concentrant sur un type de cancer et une plateforme de microarray spécifique) et de concevoir une expérience de simulation contrôlée (où la vraie structure de corrélation est connue) pour valider le mécanisme causal avant de passer à des données réelles. L'étude de l'impact de la gestion des zéros et des valeurs négatives est également cruciale.", "confidence": 0.8 }, { "reviewer_persona": "contrarian", "overall_score": 3.5, "verdict": "weak_reject", "strengths": [ "L'identification du problème de corrélation négative induite par la contrainte de somme constante (paradoxe de Pearson) est théoriquement fondée et constitue une préoccupation légitime pour l'analyse des données de puces à ADN.", "La chaîne causale proposée est claire et bien articulée, allant de la transformation des données à la réduction du FPR et à l'amélioration de la classification, ce qui facilite la formulation d'hypothèses testables." ], "weaknesses": [ "FAIL REASON #1: L'hypothèse 1 (coefficient de variation de l'intensité totale < 10%) est très probablement fausse pour la plupart des jeux de données réels de puces à ADN. Les variations techniques (efficacité d'hybridation, bruit de fond, lavage) et biologiques (différences de charge d'ARN total) induisent des variations bien supérieures à 10% de l'intensité totale. Si cette hypothèse n'est pas vérifiée, l'effet de la transformation log-ratio est soit négligeable, soit introduit un biais de normalisation plus important que le biais qu'il prétend corriger. L'effet taille prédit (FPR réduit de 15-30%) s'effondre alors complètement.", "FAIL REASON #2: L'hypothèse 2 (la nature compositionnelle est la source dominante de corrélations fallacieuses dans le régime HDLSS) ignore des confounders bien plus puissants : le bruit technique (bruit de fond, saturation), les effets de lots (batch effects), et les artefacts d'hybridation croisée (cross-hybridation). Dans un contexte HDLSS, ces facteurs génèrent des corrélations parasites bien plus fortes que la simple contrainte de somme. La transformation CLR/ILR ne corrige pas ces artefacts et pourrait même les amplifier en redistribuant la variance. Le scénario d'échec le plus probable est que la réduction du FPR soit indétectable car noyée par ces confounders dominants.", "FAIL REASON #3: Les prédictions sont basées sur des données synthétiques avec une structure de covariance connue et des fold-changes irréalistes (1.2-1.5). Dans la réalité, les données de puces à ADN ont une structure de covariance inconnue, hétérogène, et fortement influencée par des gènes non exprimés (zéro ou bruit de fond). L'utilisation d'un pseudo-count (0.5) pour les zéros introduit un biais systématique dans les rapports logarithmiques, particulièrement pour les gènes faiblement exprimés qui constituent la majorité du génome. Ce biais peut fausser la sélection de caractéristiques et dégrader la performance du classifieur profond, rendant l'effet taille attendu (5-12 points de balanced accuracy) non reproductible sur des données réelles." ], "critical_questions": [ "Pouvez-vous démontrer, sur au moins deux jeux de données réels de puces à ADN (par exemple GSE2034 et GSE1456), que le coefficient de variation de l'intensité totale par échantillon est inférieur à 10% ? Si non, comment justifiez-vous que l'hypothèse centrale de votre mécanisme est vérifiée ?", "Avez-vous comparé votre approche CLR/ILR à une méthode de normalisation robuste aux effets de lots (par exemple ComBat) combinée à une transformation log standard ? Dans un scénario réel, il est plus probable que les effets de lots soient le confounder dominant, et non la contrainte de somme. Comment votre méthode se comporte-t-elle face à ce confounder non adressé ?" ], "recommendation": "Avant de pouvoir être acceptée, cette hypothèse nécessite une validation sur des données réelles avec une démonstration claire que (1) la variation de l'intensité totale est suffisamment faible pour que la transformation log-ratio soit pertinente, et (2) que la réduction du FPR est robuste face aux effets de lots et aux artefacts techniques. Je recommande de reformuler l'hypothèse en incluant un prétraitement des effets de lots comme étape préalable obligatoire, et de fournir des résultats sur des données réelles avec des fold-changes réalistes (> 2.0).", "confidence": 0.85 }, { "reviewer_persona": "industrialist", "overall_score": 6.5, "verdict": "accept", "strengths": [ "Marché adressable clair et quantifiable : laboratoires de pathologie moléculaire et CROs (ex: NeoGenomics, Foundation Medicine, Guardant Health) qui réalisent des tests de classification de sous-types de cancer à partir de données transcriptomiques (Affymetrix, Illumina microarrays). Le coût d'un faux positif en sélection de gènes est élevé (développement de panels de biomarqueurs inutiles, échecs d'essais cliniques). Un gain de 5-12% de balanced accuracy se traduit directement en réduction du taux d'échec des signatures pronostiques, ce qui a une valeur commerciale immédiate.", "Avantage compétitif net : la transformation log-ratio ne nécessite aucun changement matériel (même pipeline bioinfo, même GPU). C'est une modification logicielle de 3 lignes de code dans le préprocessing. Pour un CRO, proposer une 'méthode certifiée CLR' comme service premium (ex: +15% sur le prix du test) est un argument de vente différenciateur face aux pipelines standard RMA/quantile. Aucun concurrent (Illumina, ThermoFisher) n'a breveté ce préprocessing spécifique pour la classification de sous-types." ], "weaknesses": [ "Barrière au déploiement majeure : les pipelines de classification clinique (ex: BluePrint, MammaPrint) sont validés et certifiés IVD (In Vitro Diagnostic) avec des seuils de décision calibrés sur des données pré-traitées en RMA. Changer le préprocessing nécessite une re-validation complète du test clinique (coût estimé >500k€, 12-18 mois), ce qui rend l'adoption immédiate impossible pour les tests déjà commercialisés. Le marché se limite donc aux nouvelles signatures en développement, pas au remplacement des pipelines existants.", "Risque commercial : les données de microarrays sont en déclin structurel face au RNA-seq. Même si le problème de compositionnalité persiste en RNA-seq (profondeur de séquençage variable), les transformations log-ratio y sont moins standardisées. Le marché adressable se réduit d'environ 20% par an. Le ROI dépend de la capacité à migrer la preuve de concept vers les données RNA-seq (comptages) dans les 2 ans." ], "critical_questions": [ "Quel est le coût d'opportunité pour un laboratoire de pathologie de passer de RMA à CLR ? Si la re-validation IVD coûte 500k€, combien de nouveaux tests de classification de sous-types doivent-ils vendre par an pour amortir ce coût ? (estimation : >10 000 tests/an à 50€ de marge supplémentaire).", "Pouvez-vous démontrer que le gain de 5-12% de balanced accuracy se maintient sur des données RNA-seq (ex: TCGA BRCA) après normalisation par taille de librairie (CPM, TMM) ? Sans cette preuve, le marché se réduit aux microarrays legacy, ce qui rend le potentiel commercial marginal.", "Quelle est la stratégie de propriété intellectuelle ? Un brevet sur 'méthode de classification de cancer utilisant une transformation log-ratio' serait probablement rejeté pour antériorité (Aitchison, 1986). Un brevet sur 'système de diagnostic intégrant CLR pour la sélection de gènes dans un réseau de neurones' pourrait être plus défendable, mais le délai d'obtention (3-5 ans) dépasse la timeline de commercialisation." ], "recommendation": "Ne pas développer en interne. Au lieu de cela, approcher 2-3 CROs de taille moyenne (ex: Almac Diagnostics, Biodesix) avec une offre de licence logicielle pour un module de préprocessing 'CLR-optimized' intégré à leur pipeline de développement de signatures. Le modèle de revenu serait un paiement upfront de 50k€ + royalties de 2% sur les ventes de tests utilisant la méthode. Cibler d'abord les tests en développement (pas les tests certifiés), puis migrer vers RNA-seq en phase 2. Le budget de 80k€ est suffisant pour produire une preuve de concept sur 3 datasets RNA-seq (TCGA) et déposer un brevet provisoire. Timeline commerciale réaliste : 18 mois pour un premier contrat de licence.", "confidence": 0.75 }, { "reviewer_persona": "funding_strategist", "overall_score": 6.5, "verdict": "weak_accept", "strengths": [ "Hypothèse originale et mécanistique : l'identification du biais de corrélation négative dû à la contrainte de somme constante (closure) dans les données de microarrays est un angle rarement exploré dans le ML biomédical, ce qui offre un fort potentiel de novelty pour un évaluateur.", "Protocole de validation incrémental bien structuré : la logique GO/NO-GO en 3 phases (in silico → dataset réel → multi-datasets) est directement alignée sur les attentes des évaluateurs ANR/ERC en termes de rigueur et de gestion des risques.", "Applicabilité clinique claire : l'amélioration de la classification des sous-types de cancer (ex : sein) et la réduction des faux positifs en sélection de features répondent à un besoin non satisfait en oncologie de précision, ce qui renforce l'impact potentiel." ], "weaknesses": [ "TRL actuel très bas (TRL 2-3) : l'hypothèse n'a été validée que sur des données synthétiques ou un seul jeu de données réel (GSE2034) dans la proposition. Les évaluateurs d'Horizon Europe ou d'ERC Starting Grant considèrent généralement un TRL 4-5 comme seuil minimal pour un financement compétitif.", "Consortium inexistant : l'hypothèse est portée par un chercheur unique ou une petite équipe sans partenaires cliniques, bio-informaticiens ou industriels. Pour les appels collaboratifs (Horizon Europe Cluster 1), un consortium multidisciplinaire est obligatoire.", "Risque de reproductibilité et de généralisation : les données de microarrays sont en déclin face au RNA-seq. L'hypothèse pourrait ne pas se transposer aux données de séquençage (comptage de reads), ce qui limite la portée à long terme et l'intérêt des financeurs." ], "critical_questions": [ "Comment comptez-vous intégrer des données de RNA-seq (comptage) dans la validation pour démontrer que la transformation log-ratio est pertinente au-delà des microarrays, sachant que la plupart des financements actuels privilégient le séquençage ?", "Quel est le plan pour constituer un consortium incluant au moins un partenaire clinique (ex : Institut Curie, Gustave Roussy) et un spécialiste en biostatistique pour renforcer la crédibilité translationnelle de la demande ?", "Avez-vous envisagé de déposer un brevet ou de protéger l'algorithme de prétraitement (CLR/ILR + deep learning) avant la publication, afin de justifier un volet valorisation dans la demande de financement ?" ], "recommendation": "Cibler en priorité un financement de type ANR Jeune Chercheur (JCJC) ou un ERC Starting Grant, mais en renforçant d'abord la preuve de concept par une phase 1 in silico rapide (4-6 semaines) pour atteindre un TRL 3-4. Parallèlement, initier des contacts avec des cliniciens et des bio-informaticiens pour structurer un consortium minimal. Pour Horizon Europe, attendre d'avoir des résultats multi-datasets solides (phase 3) avant de postuler à un appel Cluster 1 (Health). En attendant, un financement de type NIH R03 (petite subvention exploratoire) est plus réaliste pour valider l'hypothèse.", "confidence": 0.75, "funding_programs": [ { "program": "ANR Jeune Chercheur (JCJC) 2025", "agency": "Agence Nationale de la Recherche (ANR)", "fit_score": 0.85, "typical_budget": "€150k-250k", "success_rate": "15-20% (estimation 2024)", "next_deadline": "Octobre 2025 (appel générique)", "rationale": "Ce programme cible les chercheurs en début de carrière (max 8 ans après thèse) et finance des projets exploratoires à fort potentiel. L'hypothèse, bien que TRL bas, est mécanistique et originale, ce qui correspond au profil JCJC. Le budget demandé (20k-80k) est très en deçà du plafond, ce qui est un atout pour la faisabilité. Le consortium n'est pas obligatoire, mais une collaboration avec un clinicien est valorisée." }, { "program": "NIH R03 (Small Grant Program) 2025", "agency": "National Institutes of Health (NIH)", "fit_score": 0.75, "typical_budget": "€50k-100k (USD 50k-100k)", "success_rate": "30-35% (estimation 2024)", "next_deadline": "Février 2025 (cycle standard)", "rationale": "Le R03 est conçu pour des projets pilotes ou de validation de concept avec un budget limité et une durée de 2 ans. L'hypothèse, centrée sur la réduction des faux positifs en sélection de features, est directement pertinente pour les programmes NIH en cancer genomics (NCI). Le faible budget et la timeline courte (8-14 mois) sont parfaitement adaptés. Pas de consortium requis, mais une lettre de soutien d'un centre clinique américain serait un plus." }, { "program": "ERC Starting Grant 2026", "agency": "European Research Council (ERC)", "fit_score": 0.65, "typical_budget": "€1.5M-2.5M", "success_rate": "14-16% (estimation 2025)", "next_deadline": "Octobre 2025 (pré-proposition)", "rationale": "Bien que le budget demandé soit très inférieur à la norme ERC, l'hypothèse a un fort potentiel de 'groundbreaking research' si elle est validée. L'ERC valorise l'originalité et le risque calculé. Cependant, le TRL actuel (2-3) est trop bas pour un Starting Grant ; il faudrait avoir terminé la phase 2 (validation sur un dataset réel) avant de postuler. Le consortium n'est pas nécessaire, mais le PI doit démontrer une capacité à diriger un projet indépendant. À envisager après 12-18 mois de travail préliminaire." } ] } ], "meta_review": { "consensus_score": 6.29, "verdict": "publish_brief", "key_consensus": [ "L'hypothèse identifie un problème fondamental et souvent négligé : la nature compositionnelle des données de microarray et le biais de corrélation négative induit par la contrainte de somme constante (paradoxe de Pearson).", "La chaîne causale proposée (normalisation standard → biais de corrélation → FPR élevé → mauvaise généralisation) est logique, bien articulée et théoriquement fondée sur la géométrie d'Aitchison.", "Le protocole en trois phases avec des critères GO/NO-GO/PIVOT explicites est rigoureux et permet une prise de décision objective, évitant la dérive exploratoire.", "L'utilisation de données synthétiques avec vérité terrain connue (Phase 1) avant de passer aux données réelles renforce considérablement la validité interne du protocole.", "Le marché adressable (laboratoires de pathologie moléculaire, CROs) est clair et quantifiable, avec un avantage compétitif net (modification logicielle simple, sans changement matériel)." ], "key_disagreements": [ "Désaccord sur la validité de l'hypothèse centrale (Assumption 1) : le Methodologist et le Domain Expert estiment que la contrainte de somme constante est partiellement artificielle après normalisation RMA, tandis que le Contrarian affirme que le CV de l'intensité totale est très probablement >10% dans les données réelles, ce qui effondrerait l'effet prédit.", "Désaccord sur la dominance du biais compositionnel face aux autres confounders : le Contrarian soutient que les effets de lots (batch effects), le bruit technique et la cross-hybridation génèrent des corrélations parasites bien plus fortes que la simple contrainte de somme, rendant la réduction du FPR potentiellement indétectable.", "Désaccord sur la généralisation : le Methodologist et le Funding Strategist soulignent que le périmètre est trop restreint (3 jeux de données de cancer du sein) et que l'hypothèse doit être testée sur d'autres cancers et technologies (RNA-seq), tandis que le Domain Expert recommande de se concentrer sur un contexte spécifique pour valider le mécanisme.", "Désaccord sur le TRL et la maturité : le Funding Strategist estime que le TRL actuel (2-3) est trop bas pour des financements compétitifs, alors que l'Industrialist voit un potentiel commercial immédiat pour les nouvelles signatures en développement.", "Désaccord sur la gestion des zéros et valeurs négatives : le Domain Expert et le Contrarian soulignent que l'application de CLR/ILR à des données RMA (qui peuvent contenir des valeurs négatives) pose un problème méthodologique non résolu, avec un risque de biais important via l'utilisation de pseudo-counts." ], "critical_path": "Le facteur le plus determinant pour le succes/echec de cette hypothese est la validation de l'Assumption 1 (coefficient de variation de l'intensite totale < 10%) sur des donnees reelles de microarray. Si cette hypothese centrale est fausse, l'effet taille predit (reduction du FPR de 15-30%) s'effondre et la transformation log-ratio pourrait introduire plus de biais qu'elle n'en corrige. La Phase 1 (donnees synthetiques) et la Phase 2 (premier jeu de donnees reel) doivent donc etre concues pour tester specifiquement cette condition, avec un pivot clair vers une approche alternative (ex: normalisation robuste aux effets de lots + transformation log standard) si le CV depasse 10%.", "final_recommendation": "Le panel recommande la publication de ce protocole sous reserve que les conditions suivantes soient explicitees dans le manuscrit final : (1) un pre-enregistrement (pre-registration) sur OSF ou AsPredicted avec un plan d'analyse statique detaille, incluant un calcul de puissance a priori pour la Phase 2 ; (2) l'ajout d'au moins un jeu de donnees d'un autre type de cancer (ex: poumon, GSE18842) ou de RNA-seq (ex: TCGA-BRCA) pour renforcer la validite externe ; (3) une section dediee a la gestion des zeros et valeurs negatives dans l'application de CLR/ILR, avec une analyse de sensibilite comparant differentes strategies (pseudo-count, filtre, imputation). Le protocole est methodologiquement rigoureux, l'hypothese est originale et mecanistique, et le marche adressable est clair. Les risques identifies (validite de l'Assumption 1, dominance des effets de lots) sont correctement anticipes par les pivots proposes. La publication de ce protocole permettra a la communaute de tester et de falsifier l'hypothese de maniere transparente et reproductible.", "brief_quality_gate": true, "revision_guidance": [], "llm_verdict": "publish_brief", "llm_consensus_score": 7.2 } }, "vulgarization_fr": { "title_fr": "Cancer : et si le piège venait de la méthode de mesure ?", "hypothesis_in_brief": "Lorsqu'on analyse l'activité des gènes sur une puce à ADN, l'appareil mesure l'intensité de tous les gènes en même temps, et cette somme totale est souvent à peu près constante d'un échantillon à l'autre. Cette contrainte, appelée 'fermeture', crée une illusion statistique : des gènes qui n'ont rien à voir semblent liés négativement (quand l'un monte, l'autre descend mécaniquement). L'hypothèse propose de casser ce biais en utilisant une transformation mathématique (le log-rapport centré) venue de la géochimie, qui compare les gènes entre eux plutôt que de regarder leur intensité brute. Cela permettrait de sélectionner les vrais gènes pertinents pour un cancer et d'améliorer la fiabilité des classifieurs automatiques.", "why_it_matters": "Aujourd'hui, pour diagnostiquer un sous-type de cancer du sein, on utilise des signatures génétiques : une liste de gènes dont l'activité permet de classer la tumeur. Mais ces listes sont souvent instables : d'une étude à l'autre, les gènes retenus changent. L'hypothèse suggère que ce problème vient en partie d'un artefact de mesure, pas de la biologie. Si elle se vérifie, corriger cet artefact (par un simple changement de calcul) pourrait rendre les tests de classification plus fiables, réduire le nombre de faux positifs dans la recherche de nouveaux biomarqueurs, et éviter de lancer des essais cliniques sur de mauvaises pistes.", "imagine_that": "Imaginez que vous pesiez des fruits dans un panier. Le panier a une capacité fixe : si vous ajoutez une pomme, il faut enlever une poire pour que le total ne dépasse pas. En regardant juste le poids de chaque fruit, vous pourriez croire que pommes et poires sont 'ennemies' (quand l'une augmente, l'autre baisse), alors que c'est juste la taille du panier qui les force à s'équilibrer. L'hypothèse propose une astuce : au lieu de peser chaque fruit, on compare leur poids les uns aux autres (par exemple, le rapport pomme/poire). Cela annule l'effet du panier et révèle les vraies relations entre les fruits.", "concretely": { "intro": "Pour tester cette idée, le protocole prévoit trois phases, en commençant par des simulations sur ordinateur avant de passer à de vraies données de cancer du sein.", "phase1": "D'abord, des données artificielles sont générées avec des gènes dont on connaît parfaitement le rôle (la 'vérité terrain'). On compare le taux d'erreur (faux positifs) des méthodes classiques et de la nouvelle transformation, pour vérifier que le biais de fermeture est bien la cause du problème.", "phase2": "Ensuite, on applique la méthode à un jeu de données réel de cancer du sein (286 échantillons, sous-types ER+ et ER-). On mesure si la transformation réduit le nombre de gènes sélectionnés par erreur et améliore la précision de la classification.", "phase3": "Enfin, la validation est répétée sur trois jeux de données indépendants, avec des classifieurs profonds (CNN, LSTM). On vérifie aussi la stabilité des listes de gènes sélectionnés : une bonne méthode doit donner des listes similaires d'un échantillon à l'autre." }, "reviewers_say": "Le panel est partagé mais penche pour une publication. Les points forts sont la clarté du mécanisme (le biais de corrélation négative dû à la somme constante) et la structure du protocole, avec des seuils de décision explicites. Les faiblesses concernent l'hypothèse de base : l'intensité totale est-elle vraiment constante dans les données réelles ? Un expert est très sceptique et estime que d'autres bruits (techniques, lots) sont bien plus forts que ce biais de fermeture. Pour convaincre, le protocole devra être pré-enregistré, inclure un calcul de puissance statistique, et tester au moins un autre type de cancer. Verdict final : publication sous réserves, avec l'obligation de renforcer la preuve sur données réelles." }, "vulgarization_en": { "title": "Cancer: what if the trap lies in the method of measurement?", "hypothesis_in_brief": "When gene activity is analysed on a DNA microarray, the instrument measures the intensity of all genes simultaneously, and this total sum is often approximately constant from one sample to another. This constraint, termed 'closure', creates a statistical illusion: genes that are unrelated appear to be negatively linked (when one increases, the other mechanically decreases). The hypothesis proposes to break this bias by using a mathematical transformation (the centred log-ratio) derived from geochemistry, which compares genes with one another rather than examining their raw intensity. This would make it possible to select the truly relevant genes for a cancer and to improve the reliability of automatic classifiers.", "why_it_matters": "Today, diagnosing a subtype of breast cancer relies on genetic signatures: a list of genes whose activity enables tumour classification. However, these lists are often unstable; the selected genes vary from one study to another. The hypothesis suggests that this problem arises in part from a measurement artefact, not from biology. If verified, correcting this artefact — through a simple change in calculation — could make classification tests more reliable, reduce the number of false positives in the search for new biomarkers, and prevent clinical trials from being launched on erroneous leads.", "imagine_that": "Imagine that you are weighing fruit in a basket. The basket has a fixed capacity: if you add an apple, you must remove a pear so that the total does not exceed. By looking only at the weight of each fruit, you might believe that apples and pears are 'enemies' (when one increases, the other decreases), when in fact it is simply the size of the basket that forces them to balance. The hypothesis proposes a trick: instead of weighing each fruit, you compare their weights relative to one another (for example, the apple-to-pear ratio). This cancels the basket effect and reveals the true relationships between the fruits.", "reviewers_say": "The panel is divided but leans toward publication. The strengths are the clarity of the mechanism (the negative correlation bias due to constant sum) and the structure of the protocol, with explicit decision thresholds. The weaknesses concern the underlying hypothesis: is total intensity truly constant in real data? One expert is highly sceptical and considers that other noise sources (technical, batch effects) are far stronger than this closure bias. To be convincing, the protocol must be pre-registered, include a statistical power calculation, and test at least one other cancer type. Final verdict: publication with reservations, contingent on strengthening the evidence on real data.", "concretely": { "intro": "To test this hypothesis, the protocol comprises three phases, beginning with computer simulations before proceeding to actual breast cancer data.", "phase1": "First, artificial data are generated using genes whose roles are perfectly known (the 'ground truth'). The error rate (false positives) of the classical methods and of the new transformation is compared, to verify that the closure bias is indeed the cause of the problem.", "phase2": "The method is then applied to a real breast cancer dataset (286 samples, ER+ and ER- subtypes). It is measured whether the transformation reduces the number of genes selected by error and improves classification accuracy.", "phase3": "Finally, validation is repeated on three independent data sets, using deep classifiers (CNN, LSTM). The stability of the selected gene lists is also verified: a sound method should yield similar lists from one sample to another." } }, "panel_en": { "reviews": [ { "reviewer_persona": "methodologist", "overall_score": 7.8, "verdict": "accept", "confidence": 0.88, "strengths": [ "The articulation between the mechanistic hypothesis (a negative correlation bias arising from the constant-sum constraint) and the falsifiable predictions, quantified with precise bounds (a 15–30% reduction in FPR and a 5–12 percentage-point improvement in balanced accuracy), is judged to be excellent. This structure permits clear refutation and avoids vague conclusions.", "The protocol is structured in three well-defined phases, with explicit GO/NO-GO/PIVOT criteria at each stage, thereby enabling objective decision-making and methodological adaptation without exploratory drift. The inclusion of pivots (e.g., testing alternative feature-selection methods) demonstrates anticipation of potential failures.", "The use of synthetic data with known ground truth (Phase 1) to validate the causal mechanism before proceeding to real data considerably strengthens internal validity. The choice of Monte Carlo simulations (100 replicates) with a realistic covariance structure (block diagonal) is methodologically sound." ], "weaknesses": [ "Statistical power for one-tailed tests in Phase 2 (n=50 folds after 5×10-fold CV) is not explicitly justified. With an expected effect size of 5 percentage points and potential inter-fold variability (owing to within-subject correlation), the risk of a false negative (type II error) is non-negligible, particularly if the real data are noisier than the simulations.", "Control of confirmation bias and publication bias is insufficient. The protocol does not mention pre-registration on a platform such as OSF or AsPredicted, nor a blind analysis plan for hyperparameter optimisation of the CNN/LSTM architectures in Phase 3. This exposes the study to a risk of p-hacking or cherry-picking of architectures.", "Generalisability is limited to three breast cancer datasets (ER+/ER-). As the hypothesis is mechanistic (based on compositionality), it should be tested on other cancer types (lung, colon) or other technologies (RNA-seq) to avoid data selection bias. The protocol notes this as a risk but does not propose a clear pivot." ], "critical_questions": [ "How is it to be ensured that the optimisation of CNN/LSTM hyperparameters in Phase 3 remains blinded with respect to the test metrics? Is a pre-registered analysis plan with dedicated validation splits foreseen to prevent the overfitting of hyperparameters to the test data?", "What is the estimated statistical power for detecting a 5-percentage-point increase in balanced accuracy in Phase 2, given the intra-fold correlation of repeated cross-validation? Is an a priori power calculation based on pilot data or bootstrap simulations envisaged?", "If the results are positive across the three breast-cancer datasets but negative on a fourth dataset (e.g., lung), will the hypothesis be considered refuted or context-specific? The protocol does not define a clear decision rule for failed generalisation." ], "recommendation": "This protocol is of exemplary methodological rigour in its design, with well-delimited falsifiable predictions and a GO/NO-GO structure that enforces intellectual honesty. The principal weaknesses are the absence of pre-registration and an explicit a priori power calculation, as well as an overly restricted scope of generalisation. The panel recommends adding a pre-registration (with a detailed static analysis plan) and including at least one dataset from another cancer type (e.g., GSE18842 for lung) or from RNA-seq (e.g., TCGA-BRCA) to strengthen external validity. Under these conditions, the protocol is publishable in a high-level methodology journal." }, { "reviewer_persona": "domain_expert", "overall_score": 7.2, "verdict": "accept", "confidence": 0.8, "strengths": [ "The hypothesis correctly identifies a fundamental and often overlooked problem in gene expression data analysis: the compositional nature of microarray data and the negative correlation bias induced by the constant-sum constraint (Pearson’s paradox). The application of the log-ratio transformation (CLR/ILR) as a solution is theoretically grounded in Aitchison geometry of the simplex.", "The proposed causal chain is logical and well articulated: it links standard normalisation (RMA, quantile) to a correlation bias, which in turn inflates the false positive rate (FPR) in feature selection, and ultimately impairs deep classifier generalisation. The mechanism is consistent with the principles of compositional data analysis (CoDA).", "The assessment of novelty (score 0.85) is realistic. The hypothesis combines existing elements (CoDA for gene expression, deep learning for classification) into an original pipeline that has not been systematically tested for the specific problem of FPR in the HDLSS context of microarrays." ], "weaknesses": [ "The hypothesis rests on a strong assumption (Assumption 1): that the total intensity measured per microarray sample is approximately constant (CV < 10%). This assumption is questionable. Normalisation protocols such as RMA are precisely designed to remove technical effects and render distributions comparable across samples, which breaks the constant-sum constraint. The 'compositionality' of microarray data after standard normalisation is therefore a partial artefact, not an inherent and stable property.", "The proposed mechanism ignores the crucial role of standard normalisation (RMA, quantile) in correcting technical biases (background noise, chip effects). Replacing this normalisation with a simple CLR/ILR transformation could introduce new artefacts (for example, increased sensitivity to outliers or weakly expressed genes) and does not resolve the background noise problems for which RMA was designed.", "The evidence base is insufficient. The cited articles (Quinn et al. 2018, Godichon-Baggioni et al. 2017) show that CoDA is applicable to gene expression, but they do not demonstrate that the log-ratio transformation reduces the FPR in feature selection for deep learning classification in an HDLSS context. The extrapolation is too audacious without direct evidence. The indirect articles (DeepGx, GRACES) do not address the compositional problem." ], "critical_questions": [ "How does the hypothesis justify that the CLR/ILR transformation, which requires strictly positive and non-zero data, is applicable to microarray data after standard pre-processing (such as RMA) that can produce negative or zero values? The handling of zeros and negative values is a major problem in CoDA, and is the proposed solution (pseudo-count or filter) sufficient to avoid introducing a significant bias?", "The hypothesis asserts that the log-ratio transformation removes the negative correlation bias. However, in a HDLSS context (p >> n), the empirical covariance matrix is singular and noisy, even after transformation. How does the hypothesis distinguish the reduction of compositional bias from the mere implicit regularisation introduced by the transformation (which reduces the effective dimensionality)? Is a permutation test or a sensitivity analysis planned to isolate the specific effect of compositionality?", "Is the choice of a deep classifier (CNN, LSTM) justified for tabular data of the gene expression type? CNNs and LSTMs are designed for data with a spatial or sequential structure. Why not consider more standard classifiers (SVM, random forests) that might be more robust and interpretable in this context, and that would allow the effect of the CoDA transformation to be better isolated?" ], "recommendation": "The hypothesis is judged to be theoretically coherent and to propose a promising research direction; however, it requires more robust experimental evidence and a more thorough consideration of the subtleties of microarray data pre-processing. The panel recommends that the hypothesis be reformulated to render it more specific (for example, by focusing on a single cancer type and a specific microarray platform) and that a controlled simulation experiment be designed (in which the true correlation structure is known) to validate the causal mechanism before proceeding to real data. An investigation of the impact of the handling of zero and negative values is also deemed crucial." }, { "reviewer_persona": "contrarian", "overall_score": 3.5, "verdict": "weak_reject", "confidence": 0.85, "strengths": [ "The identification of the negative correlation problem induced by the constant-sum constraint (Pearson paradox) is theoretically grounded and constitutes a legitimate concern for the analysis of DNA microarray data.", "The proposed causal chain is clear and well articulated, proceeding from data transformation to FPR reduction and classification improvement, which facilitates the formulation of testable hypotheses." ], "weaknesses": [ "FAIL REASON #1: Hypothesis 1 (coefficient of variation of total intensity < 10%) is very likely false for most real microarray datasets. Technical variations (hybridisation efficiency, background noise, washing) and biological variations (differences in total RNA loading) induce variations in total intensity well above 10%. If this hypothesis is not verified, the effect of the log-ratio transformation is either negligible or introduces a normalisation bias larger than the bias it purports to correct. The predicted effect size (FPR reduced by 15–30%) then collapses completely.", "FAIL REASON #2: Hypothesis 2 (compositional nature is the dominant source of spurious correlations in the HDLSS regime) ignores far more powerful confounders: technical noise (background noise, saturation), batch effects, and cross-hybridisation artefacts. In an HDLSS context, these factors generate spurious correlations far stronger than the simple sum constraint. The CLR/ILR transformation does not correct these artefacts and may even amplify them by redistributing variance. The most likely failure scenario is that the FPR reduction is undetectable because it is swamped by these dominant confounders.", "FAIL REASON #3: The predictions are based on synthetic data with a known covariance structure and unrealistic fold-changes (1.2–1.5). In reality, microarray data have an unknown, heterogeneous covariance structure strongly influenced by unexpressed genes (zero or background noise). The use of a pseudo-count (0.5) for zeros introduces a systematic bias in logarithmic ratios, particularly for lowly expressed genes, which constitute the majority of the genome. This bias can distort feature selection and degrade the performance of the deep classifier, rendering the expected effect size (5–12 points of balanced accuracy) non-reproducible on real data." ], "critical_questions": [ "Can the panel demonstrate, on at least two real microarray datasets (for example, GSE2034 and GSE1456), that the coefficient of variation of the total intensity per sample is below 10%? If not, how is it justified that the central hypothesis of the mechanism is verified?", "Has the reviewer compared the CLR/ILR approach to a normalisation method robust to batch effects (for example, ComBat) combined with a standard log transformation? In a real-world scenario, batch effects are more likely to be the dominant confounder, not the sum constraint. How does the method perform against this unaddressed confounder?" ], "recommendation": "Before this hypothesis can be accepted, validation on real data is required, with a clear demonstration that (1) the variation in total intensity is sufficiently low for the log-ratio transformation to be relevant, and (2) the reduction in FPR is robust to batch effects and technical artefacts. The panel recommends reformulating the hypothesis to include batch-effect pre-treatment as a mandatory preliminary step, and to provide results on real data with realistic fold-changes (> 2.0)." }, { "reviewer_persona": "industrialist", "overall_score": 6.5, "verdict": "accept", "confidence": 0.75, "strengths": [ "The addressable market is clear and quantifiable: molecular pathology laboratories and CROs (e.g., NeoGenomics, Foundation Medicine, Guardant Health) that perform cancer subtype classification assays from transcriptomic data (Affymetrix, Illumina microarrays). The cost of a false positive in gene selection is high (development of useless biomarker panels, clinical trial failures). A 5–12% gain in balanced accuracy translates directly into a reduction in the failure rate of prognostic signatures, which carries immediate commercial value.", "Net competitive advantage: the log-ratio transformation requires no material change (same bioinformatics pipeline, same GPU). It is a three-line software modification in preprocessing. For a CRO, offering a 'CLR-certified method' as a premium service (e.g., +15% on the test price) constitutes a differentiating sales argument against standard RMA/quantile pipelines. No competitor (Illumina, ThermoFisher) has patented this specific preprocessing for subtype classification." ], "weaknesses": [ "A major barrier to deployment: clinical classification pipelines (e.g. BluePrint, MammaPrint) are validated and certified as IVD (In Vitro Diagnostic) devices with decision thresholds calibrated on data pre-processed in RMA. Changing the pre-processing requires a complete re-validation of the clinical test (estimated cost >€500k, 12–18 months), rendering immediate adoption impossible for tests already on the market. The market is therefore limited to new signatures under development, not to the replacement of existing pipelines.", "Commercial risk: microarray data are in structural decline relative to RNA-seq. Although the compositionality problem persists in RNA-seq (variable sequencing depth), log-ratio transformations are less standardised there. The addressable market is shrinking by approximately 20% per year. The return on investment depends on the capacity to migrate the proof of concept to RNA-seq data (counts) within two years." ], "critical_questions": [ "What is the opportunity cost for a pathology laboratory of switching from RMA to CLR? If the IVD re-validation costs €500k, how many new sub-type classification tests must be sold per year to amortise this cost? (estimate: >10,000 tests per year at €50 additional margin).", "Can it be demonstrated that the 5–12% gain in balanced accuracy is maintained on RNA-seq data (e.g., TCGA BRCA) after library-size normalisation (CPM, TMM)? Without this evidence, the market is reduced to legacy microarrays, rendering the commercial potential marginal.", "What is the intellectual property strategy? A patent on a 'cancer classification method using a log-ratio transformation' would likely be rejected for prior art (Aitchison, 1986). A patent on a 'diagnostic system integrating CLR for gene selection in a neural network' could be more defensible, but the grant timeline (3–5 years) exceeds the commercialisation timeline." ], "recommendation": "Internal development is not pursued. Instead, 2–3 mid-sized CROs (e.g., Almac Diagnostics, Biodesix) are approached with a software licence offer for a 'CLR-optimised' preprocessing module integrated into their signature development pipeline. The revenue model comprises an upfront payment of €50k plus royalties of 2% on test sales using the method. Tests under development (not certified tests) are targeted first, with a subsequent migration to RNA-seq in Phase 2. The budget of €80k is sufficient to produce a proof of concept on three RNA-seq datasets (TCGA) and to file a provisional patent. A realistic commercial timeline is 18 months to a first licence agreement." }, { "reviewer_persona": "funding_strategist", "overall_score": 6.5, "verdict": "weak_accept", "confidence": 0.75, "funding_programs": [ { "program": "ANR Jeune Chercheur (JCJC) 2025", "agency": "Agence Nationale de la Recherche (ANR)", "fit_score": 0.85, "typical_budget": "€150k-250k", "success_rate": "15-20% (estimation 2024)", "next_deadline": "Octobre 2025 (appel générique)", "rationale": "Ce programme cible les chercheurs en début de carrière (max 8 ans après thèse) et finance des projets exploratoires à fort potentiel. L'hypothèse, bien que TRL bas, est mécanistique et originale, ce qui correspond au profil JCJC. Le budget demandé (20k-80k) est très en deçà du plafond, ce qui est un atout pour la faisabilité. Le consortium n'est pas obligatoire, mais une collaboration avec un clinicien est valorisée." }, { "program": "NIH R03 (Small Grant Program) 2025", "agency": "National Institutes of Health (NIH)", "fit_score": 0.75, "typical_budget": "€50k-100k (USD 50k-100k)", "success_rate": "30-35% (estimation 2024)", "next_deadline": "Février 2025 (cycle standard)", "rationale": "Le R03 est conçu pour des projets pilotes ou de validation de concept avec un budget limité et une durée de 2 ans. L'hypothèse, centrée sur la réduction des faux positifs en sélection de features, est directement pertinente pour les programmes NIH en cancer genomics (NCI). Le faible budget et la timeline courte (8-14 mois) sont parfaitement adaptés. Pas de consortium requis, mais une lettre de soutien d'un centre clinique américain serait un plus." }, { "program": "ERC Starting Grant 2026", "agency": "European Research Council (ERC)", "fit_score": 0.65, "typical_budget": "€1.5M-2.5M", "success_rate": "14-16% (estimation 2025)", "next_deadline": "Octobre 2025 (pré-proposition)", "rationale": "Bien que le budget demandé soit très inférieur à la norme ERC, l'hypothèse a un fort potentiel de 'groundbreaking research' si elle est validée. L'ERC valorise l'originalité et le risque calculé. Cependant, le TRL actuel (2-3) est trop bas pour un Starting Grant ; il faudrait avoir terminé la phase 2 (validation sur un dataset réel) avant de postuler. Le consortium n'est pas nécessaire, mais le PI doit démontrer une capacité à diriger un projet indépendant. À envisager après 12-18 mois de travail préliminaire." } ], "strengths": [ "Original and mechanistic hypothesis: the identification of negative correlation bias due to the constant-sum constraint (closure) in microarray data represents a rarely explored angle in biomedical ML, offering strong novelty potential for a reviewer.", "Well-structured incremental validation protocol: the 3-phase GO/NO-GO logic (in silico → real dataset → multi-dataset) is directly aligned with the expectations of ANR/ERC reviewers in terms of rigour and risk management.", "Clear clinical applicability: improved classification of cancer subtypes (e.g., breast cancer) and reduced false positives in feature selection address an unmet need in precision oncology, thereby strengthening the potential impact." ], "weaknesses": [ "The current TRL is very low (TRL 2–3): the hypothesis has been verified only on synthetic data or a single real dataset (GSE2034) in the proposal. Horizon Europe or ERC Starting Grant reviewers generally consider TRL 4–5 as the minimum threshold for competitive funding.", "The consortium is non-existent: the hypothesis is carried by a single researcher or a small team without clinical, bioinformatics, or industrial partners. For collaborative calls (Horizon Europe Cluster 1), a multidisciplinary consortium is mandatory.", "Risk of reproducibility and generalisation: microarray data are in decline relative to RNA-seq. The hypothesis might not transfer to sequencing data (read counts), which limits the long-term scope and the interest of funders." ], "critical_questions": [ "How is RNA-seq (count) data to be integrated into the validation to demonstrate that the log-ratio transformation is relevant beyond microarrays, given that most current funding favours sequencing?", "What is the plan to form a consortium that includes at least one clinical partner (e.g., Institut Curie, Gustave Roussy) and a biostatistics specialist, in order to strengthen the translational credibility of the proposal?", "Has consideration been given to filing a patent or otherwise protecting the pre-processing algorithm (CLR/ILR + deep learning) prior to publication, so as to justify a valorisation component in the funding application?" ], "recommendation": "Priority should be given to targeting ANR Jeune Chercheur (JCJC) or ERC Starting Grant funding, but only after reinforcing the proof of concept through a rapid Phase 1 in silico step (4–6 weeks) to achieve TRL 3–4. In parallel, contacts with clinicians and bioinformaticians should be initiated to structure a minimal consortium. For Horizon Europe, submission to a Cluster 1 (Health) call should be deferred until robust multi-dataset results (Phase 3) are obtained. In the interim, an NIH R03 grant (small exploratory award) is judged more realistic for validating the hypothesis." } ], "meta_review": { "consensus_score": 6.29, "verdict": "publish_brief", "brief_quality_gate": true, "llm_verdict": "publish_brief", "llm_consensus_score": 7.2, "key_consensus": [ "The hypothesis identifies a fundamental and often overlooked problem: the compositional nature of microarray data and the negative correlation bias induced by the constant-sum constraint (Pearson's paradox).", "The proposed causal chain (standard normalisation → correlation bias → elevated FPR → poor generalisation) is logical, well-articulated, and theoretically grounded in Aitchison geometry.", "The three-phase protocol with explicit GO/NO-GO/PIVOT criteria is rigorous and permits objective decision-making, avoiding exploratory drift.", "The use of synthetic data with known ground truth (Phase 1) before proceeding to real data considerably strengthens the internal validity of the protocol.", "The addressable market (molecular pathology laboratories, CROs) is clear and quantifiable, with a net competitive advantage (simple software modification, no hardware change)." ], "key_disagreements": [ "Disagreement regarding the validity of the central hypothesis (Assumption 1): the Methodologist and the Domain Expert consider that the constant-sum constraint is partially artificial after RMA normalisation, whereas the Contrarian asserts that the coefficient of variation of total intensity is very likely >10% in real data, which would collapse the predicted effect.", "Disagreement regarding the dominance of compositional bias over other confounders: the Contrarian argues that batch effects, technical noise, and cross-hybridisation generate spurious correlations far stronger than the simple sum constraint, rendering the reduction in FPR potentially undetectable.", "Disagreement regarding generalisation: the Methodologist and the Funding Strategist note that the scope is too narrow (three breast-cancer datasets) and that the hypothesis must be tested on other cancers and technologies (RNA-seq), whereas the Domain Expert recommends focusing on a specific context to validate the mechanism.", "Disagreement regarding TRL and maturity: the Funding Strategist considers that the current TRL (2–3) is too low for competitive funding, whereas the Industrialist sees immediate commercial potential for the new signatures under development.", "Disagreement regarding the handling of zeros and negative values: the Domain Expert and the Contrarian note that applying CLR/ILR to RMA data (which may contain negative values) poses an unresolved methodological problem, with a risk of substantial bias through the use of pseudo-counts." ], "revision_guidance": [], "critical_path": "The most critical factor determining the success or failure of this hypothesis is the validation of Assumption 1 (coefficient of variation of total intensity < 10%) on real microarray data. If this central hypothesis is false, the predicted effect size (reduction in FPR of 15–30%) collapses, and the log-ratio transformation could introduce more bias than it corrects. Phase 1 (synthetic data) and Phase 2 (first real dataset) must therefore be designed to test this condition specifically, with a clear pivot to an alternative approach (e.g., robust batch-effect normalisation plus standard log transformation) if the CV exceeds 10%.", "final_recommendation": "The panel recommends publication of this protocol provided that the following conditions are clarified in the final manuscript: (1) a pre-registration on OSF or AsPredicted with a detailed static analysis plan, including an a priori power calculation for Phase 2; (2) the addition of at least one dataset from another cancer type (e.g., lung, GSE18842) or from RNA-seq (e.g., TCGA-BRCA) to strengthen external validity; (3) a dedicated section on the handling of zeros and negative values in the application of CLR/ILR, with a sensitivity analysis comparing different strategies (pseudo-count, filter, imputation). The protocol is methodologically rigorous, the hypothesis is original and mechanistic, and the addressable market is clear. The risks identified (validity of Assumption 1, dominance of batch effects) are correctly anticipated by the proposed pivots. Publication of this protocol will allow the community to test and falsify the hypothesis in a transparent and reproducible manner." } } }