# Compositional Data Analysis (CoDA) Preprocessing Resolves Normalization Artifacts in High-Dimensional, Low-Sample-Size Cancer Gene Expression Classification: A Cross-Domain Methodological Transfer

## Metadata

- **SPORE ID**: SPR-2026-3A8D
- **Domaines**: Gene expression and cancer classification x Geochemistry and Geologic Mapping
- **Date de generation**: 2026-05-11
- **Panel consensus score**: 6.4/10
- **Novelty score**: 0.85/1.0
- **Panel verdict**: publish_brief

## Abstract

If microarray gene expression data from cancer samples are preprocessed using a centered log-ratio (CLR) transformation (a CoDA method) instead of standard normalization (e.g., RMA), then the balanced accuracy of cancer subtype classification by both linear (LASSO, SVM) and deep learning (CNN, LSTM-DBN) classifiers will increase by at least 8 percentage points (pp) on held-out test sets, because CLR removes spurious correlations induced by the compositional closure constraint (sum-to-constant) of total mRNA, which standard normalization fails to address.

The proposed mechanism involves 5 causal steps: (1) each sample's total measured mRNA is an arbitrary constant (e.g., total fluoresc -> (2) Standard normalization (RMA, quantile) assumes that total mRNA is irrelevant and -> (3) CoDA transformation (CLR) maps the data from the simplex (D-1 dimensions) to rea -> (4) The removal of spurious correlations reduces the number of false-positive differ.

Literature grounding on 13 verified references yields a novelty score of 0.85 (novel). A 3-phase experimental protocol (budget: €20k-80k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 6.4/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If microarray gene expression data from cancer samples are preprocessed using a centered log-ratio (CLR) transformation (a CoDA method) instead of standard normalization (e.g., RMA), then the balanced accuracy of cancer subtype classification by both linear (LASSO, SVM) and deep learning (CNN, LSTM-DBN) classifiers will increase by at least 8 percentage points (pp) on held-out test sets, because CLR removes spurious correlations induced by the compositional closure constraint (sum-to-constant) of total mRNA, which standard normalization fails to address.

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| Normalization method applied to gene expression matrix | categorical | RMA, Quantile, TPM, CLR (robust), ILR | N/A (categorical) |
| Classifier complexity | categorical | LASSO (L1-regularized logistic regression), Linear SVM, CNN (1D convolutional), LSTM-DBN (deep belief network with LSTM) | N/A (categorical) |
| Imputation method for zero counts (pre-CLR) | categorical | Multiplicative replacement, Bayesian imputation (zCompositions), Robust CLR (robCompositions) | N/A (categorical) |
| Estimated sample cellularity (immune/stromal fraction) | continuous | 0.0 to 1.0 | proportion |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| Balanced accuracy (BAcc) of cancer subtype classification | continuous | increase | percentage points (pp) |
| Number of selected features (genes) in the final model | continuous | decrease | count |
| False positive rate (FPR) of differential expression markers (simulated ground truth) | continuous | decrease | proportion (0-1) |
| Bias of imputation method (mean absolute error vs. known synthetic zeros) | continuous | non-monotonic | log-ratio units |
| Variance of imputation method (standard deviation across 100 bootstrap replicates) | continuous | non-monotonic | log-ratio units |

### 1.3 Chaine causale

1. Step 1: Raw microarray gene expression data are subject to the closure constraint: each sample's total measured mRNA is an arbitrary constant (e.g., total fluorescence), making each gene's expression a relative proportion, not an absolute quantity.
1. Step 2: Standard normalization (RMA, quantile) assumes that total mRNA is irrelevant and applies linear scaling or rank-based adjustments, which do not break the unit-sum constraint and preserve the simplex geometry, leading to spurious negative correlations between highly expressed genes (Pearson's paradox).
1. Step 3: CoDA transformation (CLR) maps the data from the simplex (D-1 dimensions) to real space (D dimensions) via log-ratios relative to the geometric mean of all genes, eliminating the closure constraint and enabling standard Euclidean geometry for machine learning.
1. Step 4: The removal of spurious correlations reduces the number of false-positive differentially expressed genes (features) and improves the signal-to-noise ratio for classifiers, leading to higher balanced accuracy on held-out test sets.
1. Step 5: The effect is independent of classifier complexity because it operates at the data representation level, not at the model architecture level; linear and deep learning models benefit equally from the improved geometry.

**Hypotheses cles :**

- Assumption 1: The total mRNA per cell (or per sample) is not biologically informative for the classification task; i.e., the absolute abundance of mRNA is irrelevant, only relative proportions matter.
- Assumption 2: The number of zeros in the expression matrix is low enough (< 20% of entries) that imputation does not dominate the transformation; if zero proportion > 20%, the CLR may be unstable.
- Assumption 3: The relationship between gene expression and cancer subtype is linear in log-ratio space; i.e., the decision boundary is approximately linear after CLR transformation.
- Assumption 4: The estimated cellularity (from ESTIMATE/CIBERSORT) does not correlate with classification improvement; if |r| > 0.3 between BAcc gain and cellularity, the hypothesis must be revised to account for cell-type composition effects.

**Inconnues identifiees :**

- We do not know whether the optimal imputation method for zeros is the same across all cancer types (e.g., solid tumors vs. liquid tumors).
- We do not know whether the effect size (BAcc gain) is larger for microarray data than for RNA-seq data, as RNA-seq has different noise characteristics.
- We do not know whether the CLR transformation introduces a dependency on the number of genes (D) that affects classification stability for very high-dimensional data (D > 50,000).

### 1.4 Conditions aux limites

- **The proportion of zero entries in the expression matrix must be less than 20% before imputation.** — Above 20% zeros, imputation methods introduce high bias and variance, and the CLR geometric mean becomes unstable; the hypothesis may not hold for single-cell RNA-seq data where zero inflation is >50%.
- **The number of samples (n) must be at least 30 per class for the classification task.** — Below n=30, the variance of BAcc estimates becomes too large (>10 pp) to detect the predicted 8 pp effect with adequate statistical power (β>0.8 at α=0.01).
- **The number of genes (p) must be between 10,000 and 50,000.** — Below 10,000 genes, the compositional effect is weak (few spurious correlations); above 50,000, computational instability of the CLR (division by geometric mean of many near-zero values) may introduce artifacts.
- **The classification task must be categorical (cancer subtype or condition), not regression (e.g., survival time).** — The hypothesis is formulated for classification accuracy; for regression, the compositional effect on continuous outcomes is not yet characterized.

### 1.5 Cadre theorique

Compositional Data Analysis (Aitchison geometry on the simplex) and its application to high-throughput molecular biology (Fernandes et al., 2014; Gloor et al., 2017).

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2017] Clustering transformed compositional data using K-means, with applications in gene expression and bicycle sharing system data** — [10.1080/02664763.2018.1454894](https://doi.org/10.1080/02664763.2018.1454894)
  - Similarite: related
  - Difference cle: Applies CoDA to gene expression for clustering, not for classification or feature selection in cancer; does not use deep learning classifiers.
- **[2014] Unifying the analysis of high-throughput sequencing datasets: characterizing RNA-seq, 16S rRNA gene sequencing and selective growth experiments by compositional data analysis** — [10.1186/2049-2618-2-15](https://doi.org/10.1186/2049-2618-2-15)
  - Similarite: related
  - Difference cle: Applies CoDA to sequencing count data (RNA-seq, 16S) but not specifically to microarray gene expression for cancer classification; does not address the normalization paradox in the context of deep learning classifiers.
- **[2020] Editorial: Compositional data analysis and related methods applied to genomics—a first special issue from NAR Genomics and Bioinformatics** — [10.1093/nargab/lqaa103](https://doi.org/10.1093/nargab/lqaa103)
  - Similarite: related
  - Difference cle: Editorial overview of CoDA in genomics; does not propose a specific methodological transfer from geochemistry to cancer classification with deep learning.
- **[2021] Weighted pivot coordinates for partial least squares‐based marker discovery in high‐throughput compositional data** — [10.1002/sam.11514](https://doi.org/10.1002/sam.11514)
  - Similarite: related
  - Difference cle: Uses CoDA for marker discovery in high-throughput data with PLS, not for cancer classification with deep learning (LSTM-DBN, CNN).

### 2.2 Base de preuves

- **[2017] Clustering transformed compositional data using K-means, with applications in gene expression and bicycle sharing system data** — [10.1080/02664763.2018.1454894](https://doi.org/10.1080/02664763.2018.1454894)
  - Type: indirect | Citations: 58
  - Demonstrates that gene expression data can be treated as compositional data and that CoDA transformations (e.g., CLR) are applicable, supporting the core premise of the hypothesis.
- **[2014] Unifying the analysis of high-throughput sequencing datasets: characterizing RNA-seq, 16S rRNA gene sequencing and selective growth experiments by compositional data analysis** — [10.1186/2049-2618-2-15](https://doi.org/10.1186/2049-2618-2-15)
  - Type: indirect | Citations: 1106
  - Establishes that RNA-seq and other sequencing data are compositional and that ignoring this leads to spurious results, directly supporting the 'closure problem' argument in the hypothesis.
- **[2020] Editorial: Compositional data analysis and related methods applied to genomics—a first special issue from NAR Genomics and Bioinformatics** — [10.1093/nargab/lqaa103](https://doi.org/10.1093/nargab/lqaa103)
  - Type: indirect | Citations: 10
  - Provides a high-level endorsement of CoDA for genomics, reinforcing the idea that CoDA principles from geochemistry are transferable to genomic data.
- **[2021] Weighted pivot coordinates for partial least squares‐based marker discovery in high‐throughput compositional data** — [10.1002/sam.11514](https://doi.org/10.1002/sam.11514)
  - Type: indirect | Citations: 8
  - Shows that CoDA-based transformations (pivot coordinates) improve marker discovery in high-throughput data, supporting the claim that CoDA can reduce false positives in feature selection.
- **[2018] Normalization methods for microbial abundance data strongly affect correlation estimates** — [10.1101/406264](https://doi.org/10.1101/406264)
  - Type: analogous | Citations: 22
  - Demonstrates in microbiome data (another compositional domain) that normalization choices (including log-ratio from CoDA) strongly affect correlation estimates, analogous to the proposed effect on gene expression feature selection.
- **[2017] Normalization and microbial differential abundance strategies depend upon data characteristics** — [10.1186/s40168-017-0237-y](https://doi.org/10.1186/s40168-017-0237-y)
  - Type: analogous | Citations: 1676
  - Shows that normalization and differential abundance methods for compositional microbiome data must be chosen carefully, supporting the hypothesis that standard normalization in gene expression may be suboptimal.
- **[2025] Compositional data analysis enables statistical rigor in comparative glycomics** — [10.1038/s41467-025-56249-3](https://doi.org/10.1038/s41467-025-56249-3)
  - Type: analogous | Citations: 13
  - Directly analogous: shows that CoDA resolves spurious correlations and false positives in another 'omics field (glycomics), strongly supporting the hypothesis that the same approach would benefit gene expression analysis.
- **[2021] A review of compositional data analysis and recent advances** — [10.1080/03610926.2021.2014890](https://doi.org/10.1080/03610926.2021.2014890)
  - Type: indirect | Citations: 22
  - Provides a comprehensive review of CoDA methods, including log-ratio transformations, which are central to the proposed methodological transfer.
- **[2020] Mineral-resource prediction using advanced data analytics and machine learning of the QUEST-South stream-sediment geochemical data, southwestern British Columbia, Canada** — [10.1144/geochem2020-054](https://doi.org/10.1144/geochem2020-054)
  - Type: analogous | Citations: 21
  - Demonstrates the use of machine learning on geochemical compositional data, providing a direct analog for the proposed transfer of CoDA+ML methods from geochemistry to gene expression.
- **[2023] The association between reallocations of time and health using compositional data analysis: a systematic scoping review with an interactive data exploration interface** — [10.1186/s12966-023-01526-x](https://doi.org/10.1186/s12966-023-01526-x)
  - Type: indirect | Citations: 60
  - Shows the broad applicability of CoDA beyond geochemistry, supporting the idea that it can be transferred to new domains like gene expression.

### 2.3 Contre-preuves et limitations connues

- **[minor] SCANPY: large-scale single-cell gene expression data analysis**
  - Scanpy, a widely used toolkit for single-cell analysis, does not explicitly use CoDA-based preprocessing (e.g., CLR) as a default or recommended step for normalization before classification. This suggests that the current standard practice does not view compositionality as a critical issue for single-cell data, potentially contradicting the hypothesis's claim that ignoring it introduces significant artifacts.
- **[minor] edgeR: a Bioconductor package for differential expression analysis of digital gene expression data**
  - edgeR, a standard tool for differential expression, uses a model (negative binomial) that accounts for library size (total counts) but does not use log-ratio transformations from CoDA. Its widespread success and validation suggest that the 'closure problem' may be adequately addressed by existing normalization methods (e.g., TMM) in many contexts, potentially reducing the perceived need for a full CoDA framework.
- **[addressable] Winsorization greatly reduces false positives by popular differential expression methods when analyzing human population samples**
  - Shows that false positives in differential expression (a key concern of the hypothesis) can be substantially reduced by a simple technique (winsorization) rather than a full CoDA transformation. This suggests that the false positive problem may have simpler solutions than the proposed methodological transfer.

### 2.4 Evaluation de nouveaute

- **Score**: 0.85/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | On the TCGA breast cancer dataset (BRCA, 4 subtypes, n=500), applying robust CLR (with multiplicative replacement for zeros) before LASSO classification will increase balanced accuracy by at least 8 pp compared to RMA-normalized data, on a 20% held-out test set. | BAcc(CLR+LASSO) ≥ BAcc(RMA+LASSO) + 8 pp, with 95% CI lower bound ≥ 5 pp. | 5-fold cross-validation repeated 10 times; BAcc computed as (sensitivity + specificity)/2 per subtype, macro-averaged. | H0: μ_BAcc(CLR) - μ_BAcc(RMA) ≤ 0 (no improvement or degradation). | Paired one-sided t-test on the 50 BAcc differences (10 repeats × 5 folds), α=0.01, with Benjamini-Hochberg correction for multiple cancer types. |
| 2 | The number of features selected by LASSO (at lambda.1se) will be at least 30% lower for CLR-transformed data than for RMA-normalized data on the same TCGA-BRCA dataset. | N_features(CLR) ≤ 0.7 × N_features(RMA), with median reduction ≥ 40%. | Count of non-zero coefficients in LASSO model at lambda.1se, averaged over 10 cross-validation folds. | H0: median(N_features(CLR)) ≥ median(N_features(RMA)). | Wilcoxon signed-rank test (paired), one-sided, α=0.01. |
| 3 | In a simulated dataset with known ground-truth differentially expressed genes (20 true positives, 1000 noise genes), CLR preprocessing will reduce the false positive rate (FPR) of differential expression detection (by limma) by at least 50% compared to RMA preprocessing, at a fixed true positive rate of 80%. | FPR(CLR) ≤ 0.5 × FPR(RMA), with absolute FPR(CLR) < 0.05. | Simulate 100 datasets with n=50 samples, p=1020 genes, 20 true DE genes with log2 fold-change = 2. Apply limma to both RMA and CLR data; compute FPR at the threshold achieving 80% TPR. | H0: FPR(CLR) ≥ FPR(RMA). | Paired one-sided t-test on logit-transformed FPRs across 100 simulations, α=0.01. |
| 4 | The gain in balanced accuracy (ΔBAcc = BAcc(CLR) - BAcc(RMA)) will not correlate with estimated sample cellularity (from ESTIMATE) across TCGA cancer types (/r/ < 0.3). | Pearson /r/ < 0.3, with 95% CI upper bound < 0.5. | For each of 10 TCGA cancer types (e.g., BRCA, LUAD, COAD, etc.), compute ΔBAcc (CLR vs. RMA) using LASSO, and the median ESTIMATE score. Compute Pearson correlation across the 10 cancer types. | H0: /r/ ≥ 0.3 (significant correlation indicating cellularity confound). | Fisher's z-transformation test for correlation, one-sided (testing /r/ < 0.3), α=0.05. |
| 5 | On a non-cancerous gene expression dataset (Arabidopsis thaliana stress response, n=100, 4 conditions), the BAcc gain from CLR vs. RMA will be at least 5 pp, demonstrating generalizability. | ΔBAcc ≥ 5 pp, with 95% CI lower bound ≥ 2 pp. | Same as Prediction 1, but on the Arabidopsis dataset (GEO: GSEXXXX). | H0: μ_ΔBAcc ≤ 0. | One-sample one-sided t-test on the 50 ΔBAcc values, α=0.01. |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €20k-80k

### 4.1 Phase 1 — In Silico Validation

**Objectif**: To rapidly falsify the core hypothesis using public data and computational simulations, at minimal cost, before committing to wet-lab or expensive compute resources.

**Methodologie**: 1. **Data acquisition**: Download TCGA-BRCA (n=500, 4 subtypes), TCGA-LUAD, TCGA-COAD, TCGA-OV, TCGA-LUSC (n≥100 each) from GDC portal using `gdc-client`. Download Arabidopsis thaliana stress dataset (GSEXXXX) from GEO via `GEOquery`. 
2. **Preprocessing**: Apply RMA normalization (via `affy` R package), Quantile normalization (via `preprocessCore`), TPM (for RNA-seq only), and robust CLR with multiplicative replacement (via `robCompositions` R package, `pcaCoDa` function). For zeros >20%, use Bayesian imputation (`zCompositions`). 
3. **Classification pipeline**: For each normalization × classifier combination (LASSO via `glmnet`, Linear SVM via `e1071`, 1D-CNN via `keras`/`tensorflow`, LSTM-DBN via custom `PyTorch` code), run 5-fold cross-validation repeated 10 times. Compute balanced accuracy per subtype, macro-averaged. 
4. **Simulation**: Generate 100 synthetic datasets (n=50, p=1020, 20 true DE genes, log2FC=2, noise=1000) using `splatter` or custom `mvtnorm` with compositional closure. Apply limma (`limma` R package) to RMA vs CLR data; compute FPR at 80% TPR. 
5. **Cellularity correlation**: For each of 10 TCGA cancer types, compute median ESTIMATE score (via `estimate` R package) and ΔBAcc (CLR vs RMA with LASSO). Compute Pearson r and test |r|<0.3 via Fisher z-transformation. 
6. **Generalizability test**: Repeat prediction 1 on Arabidopsis dataset. 
7. **Statistical testing**: All tests as specified (paired t-test, Wilcoxon, Fisher z) with α=0.01 and Benjamini-Hochberg correction for multiple cancer types.

- Cout: €500-2000
- Duree: 4-6 weeks
- Equipement: Standard workstation (16 GB RAM, 4+ cores) or cloud instance (e.g., AWS EC2 c5.2xlarge)
- Logiciels: R (≥4.2) with packages: affy, preprocessCore, robCompositions, zCompositions, glmnet, e1071, limma, estimate, splatter, mvtnorm, Python (≥3.9) with packages: tensorflow, keras, pytorch, numpy, pandas, scikit-learn, scipy, GDC client (for TCGA data download), GEOquery (for GEO data download)

**Criteres de succes :**

- ΔBAcc (CLR vs RMA) for TCGA-BRCA with LASSO: ≥ 8 pp, with 95% CI lower bound ≥ 5 pp
- Feature count reduction (CLR vs RMA) for LASSO on TCGA-BRCA: Median reduction ≥ 40% (i.e., N_features(CLR) ≤ 0.6 × N_features(RMA))
- FPR reduction (CLR vs RMA) in simulated DE detection: FPR(CLR) ≤ 0.5 × FPR(RMA) and absolute FPR(CLR) < 0.05
- Cellularity correlation (|r| between ΔBAcc and ESTIMATE): |r| < 0.3, with 95% CI upper bound < 0.5
- ΔBAcc on Arabidopsis dataset: ≥ 5 pp, with 95% CI lower bound ≥ 2 pp

- **GO**: All 5 success criteria are met (i.e., all null hypotheses rejected in the predicted direction).
- **NO-GO**: Any 2 or more success criteria fail (i.e., null hypothesis not rejected, or effect in opposite direction).
- **PIVOT**: Exactly 1 success criterion fails; then investigate why (e.g., cellularity confound, zero proportion >20%, classifier-specific failure). If the failure is due to a specific classifier, drop that classifier and proceed with the others. If failure is due to cellularity, revise hypothesis to include cellularity as a covariate.

### 4.2 Phase 2 — Minimal Experimental Validation

**Objectif**: To confirm the central mechanistic claim (CLR removes spurious correlations) using a controlled in vitro experiment with synthetic RNA mixtures, where ground truth is known.

**Methodologie**: 1. **Design**: Create 4 synthetic RNA mixtures (mimicking cancer subtypes) by pooling purified total RNA from 4 human cell lines (e.g., MCF7, MDA-MB-231, T47D, BT-474 for breast cancer subtypes). Each mixture is composed of known proportions (e.g., 60% dominant subtype + 40% equal mix of others). Prepare 5 biological replicates per mixture (n=20 samples total). 
2. **Microarray hybridization**: Use Affymetrix Human Genome U133 Plus 2.0 arrays (or equivalent) for all 20 samples. Standard protocol. 
3. **Data preprocessing**: Apply RMA (standard) and robust CLR (with multiplicative replacement) to raw CEL files. 
4. **Classification**: Train LASSO and Linear SVM on RMA vs CLR data, using 5-fold cross-validation (leave-one-out per mixture type). Compute balanced accuracy. 
5. **Ground truth comparison**: Since the true proportions are known, compute the true positive rate (TPR) and false positive rate (FPR) for detecting differentially expressed genes between mixtures (using limma). Compare FPR at 80% TPR between RMA and CLR. 
6. **Statistical test**: Paired t-test on BAcc (5 folds) and FPR (across 6 pairwise comparisons), α=0.05.

- Cout: €5k-15k
- Duree: 2-3 months
- Equipement: Affymetrix microarray scanner and hybridization station (or service provider), Nanodrop spectrophotometer for RNA quantification, Thermal cycler for cDNA synthesis (if needed)
- Logiciels: R (≥4.2) with packages: affy, robCompositions, limma, glmnet, e1071, Affymetrix Expression Console (for CEL file processing)

**Criteres de succes :**

- ΔBAcc (CLR vs RMA) for LASSO: ≥ 5 pp (relaxed from 8 pp due to smaller n=20)
- FPR reduction (CLR vs RMA) at 80% TPR: FPR(CLR) ≤ 0.6 × FPR(RMA)

- **GO**: Both success criteria met (ΔBAcc ≥5 pp and FPR reduction ≥40%).
- **NO-GO**: Neither criterion met, or effect in opposite direction.
- **PIVOT**: Only one criterion met; then investigate whether the failure is due to classifier (e.g., SVM not benefiting) or due to small sample size. If classifier-specific, proceed with only LASSO in Phase 3.

### 4.3 Phase 3 — Full Experimental Protocol

**Objectif**: To rigorously validate the hypothesis across multiple cancer types, platforms, and classifiers, producing publication-quality results with clinical relevance.

**Methodologie**: 1. **Dataset expansion**: Include 15 TCGA cancer types (n≥100 each) and 5 independent GEO datasets (e.g., GSEXXXX for breast, lung, colon, ovarian, prostate). For each, apply RMA, Quantile, TPM, and CLR (robust with multiplicative replacement). 
2. **Classifier suite**: LASSO, Linear SVM, 1D-CNN, LSTM-DBN, and additionally Random Forest and XGBoost for robustness. Use nested cross-validation (outer 5-fold, inner 3-fold for hyperparameter tuning). 
3. **Zero imputation sensitivity**: Test 3 imputation methods (multiplicative replacement, Bayesian, robust CLR) at zero proportions 5%, 10%, 15%, 20%. Report bias and variance for each. 
4. **Cellularity adjustment**: For each cancer type, compute ESTIMATE and CIBERSORTx immune/stromal scores. If |r| > 0.3 between ΔBAcc and cellularity, include cellularity as a covariate in a mixed-effects model: ΔBAcc ~ cellularity + (1|cancer_type). 
5. **RNA-seq comparison**: For 5 TCGA cancer types with both microarray and RNA-seq data (e.g., BRCA, LUAD), compare CLR effect on RNA-seq (using TPM as baseline) vs microarray. 
6. **Clinical relevance**: For the best-performing normalization (CLR), train a final model on the full TCGA-BRCA dataset and validate on an independent GEO breast cancer dataset (e.g., GSEXXXX, n=200). Report balanced accuracy, sensitivity, specificity, and AUC per subtype. 
7. **Statistical reporting**: All tests with α=0.01, BH correction for multiple comparisons. Effect sizes with 95% CI. Power analysis: for n=500, 80% power to detect 8 pp ΔBAcc at α=0.01 (paired t-test).

- Cout: €15k-100k+
- Duree: 6-12 months
- Equipement: High-performance computing cluster (64+ cores, 256 GB RAM) or cloud GPU instances (AWS p3.8xlarge, ~$12/hour), Storage: 1 TB SSD for raw data and results
- Logiciels: R (≥4.2) with packages: affy, preprocessCore, robCompositions, zCompositions, glmnet, e1071, limma, estimate, CIBERSORTx (web tool or R interface), lme4, pROC, caret, Python (≥3.9) with packages: tensorflow, keras, pytorch, xgboost, sklearn, numpy, pandas, scipy, matplotlib, seaborn, GDC client, GEOquery, SRA toolkit (for RNA-seq data)

**Criteres de succes :**

- Primary: ΔBAcc (CLR vs RMA) averaged across all 15 cancer types and 6 classifiers: ≥ 6 pp (conservative, accounting for heterogeneity), with 95% CI lower bound ≥ 4 pp
- Secondary: FPR reduction (CLR vs RMA) in real DE detection (limma on TCGA-BRCA): FPR(CLR) ≤ 0.5 × FPR(RMA) at 80% TPR (using simulated ground truth embedded in real data)
- Secondary: Independent validation BAcc on GSEXXXX: BAcc(CLR+LASSO) ≥ 0.75, with 95% CI lower bound ≥ 0.70
- Tertiary: RNA-seq comparison – ΔBAcc (CLR vs TPM) ≥ 4 pp: ≥ 4 pp, with 95% CI lower bound ≥ 2 pp

- **GO**: Primary success criterion met (ΔBAcc ≥6 pp).
- **NO-GO**: Primary criterion not met (ΔBAcc <4 pp), indicating the hypothesis is not generalizable.
- **PIVOT**: Primary criterion partially met (4-6 pp) but secondary criteria fail; then investigate whether the effect is specific to certain cancer types or classifiers. If specific, publish as a conditional finding (e.g., 'CLR improves classification in solid tumors with low cellularity').

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Download TCGA-BRCA microarray data (level 3, normalized and raw CEL files) using GDC client: `gdc-client download -m manifest_brca.txt` and install R packages: `install.packages(c('affy', 'preprocessCore', 'robCompositions', 'zCompositions', 'glmnet', 'e1071', 'limma', 'estimate'))`.
- **Outils**: GDC client (command-line tool), R (≥4.2) with required packages, Python (≥3.9) with tensorflow, keras, pytorch
- **Donnees ouvertes**: TCGA-BRCA (GDC portal: https://portal.gdc.cancer.gov/), TCGA-LUAD, TCGA-COAD, TCGA-OV, TCGA-LUSC (same portal), Arabidopsis thaliana stress dataset (GEO: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSEXXXX), Synthetic data generation via `splatter` R package (Bioconductor)

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.85/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 6.5/10

**Forces :**
- Marche adressable clair et quantifiable : le diagnostic moleculaire du cancer (marché estimé à $15B d'ici 2028) et les plateformes de classification de sous-types (ex. MammaPrint, Oncotype DX) paieraient pour une amélioration de 8 pp de précision, car cela réduit les faux positifs et les biopsies inutiles, impactant directement le remboursement par les assureurs.
- Avantage concurrentiel défendable : le CLR est un préprocessing mathématique (non brevetable en soi), mais l'intégration dans un pipeline SaaS de bioinformatique clinique (ex. QIAGEN OmicSoft, Partek Flow) créerait un verrouillage par dépendance de workflow. Le gain de 8 pp en balanced accuracy est un argument marketing chiffré face à des solutions standards comme RMA ou TMM.
- Timeline réaliste pour un MVP : Phase 1 (in silico) en 6 semaines avec données TCGA publiques (coût < €2k) permet de valider le ROI avant tout engagement lourd. Un prototype cloud (AWS/GCP) pourrait être opérationnel en 6 mois pour une preuve de concept client.

**Faiblesses :**
- Barrière à l'entrée majeure : le CLR est un outil mathématique connu et non brevetable. L'IP potentielle réside uniquement dans l'implémentation logicielle ou l'interface clinique, ce qui est facilement contournable par des concurrents (ex. Illumina, Thermo Fisher) qui intègreraient la même transformation dans leurs pipelines propriétaires.
- Risque commercial : les laboratoires cliniques (ex. LabCorp, Quest) sont extrêmement conservateurs sur les changements de pipeline validés par la FDA/CE-IVD. Un changement de préprocessing nécessite une revalidation complète du test (coût > $500k, délai 12-24 mois), ce qui freine l'adoption malgré le gain technique.
- Dépendance au type de cancer : la prédiction 4 (pas de corrélation avec la cellularité) est fragile. Si le gain est confondu par le type de tissu (ex. tumeurs solides vs liquides), le marché se réduit aux cancers à haute cellularité (ex. sein, poumon), excluant les leucémies ou biopsies liquides (faible cellularité).

**Recommandation**: Lancer immédiatement la Phase 1 in silico (€2k, 6 semaines) sur 5 jeux de données TCGA (BRCA, LUAD, COAD, OV, LUSC) pour confirmer le gain de 8 pp. Si validé, déposer un brevet provisoire US sur le 'Procédé de classification de sous-type de cancer par transformation CLR intégrée dans un pipeline de diagnostic' (focus sur la méthode d'intégration, pas sur le CLR lui-même). Parallèlement, approcher 2-3 laboratoires académiques (ex. MD Anderson, Gustave Roussy) pour un pilote clinique gratuit (Phase 2) en échange d'une publication co-signée. Ne pas investir dans un produit commercial avant d'avoir signé une lettre d'intention avec un laboratoire de diagnostic (ex. Veracyte, NanoString) prêt à co-développer le pipeline validé.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ERC Proof of Concept Grant 2025 (ERC-2025-PoC) | European Research Council (ERC) | 0.85 | 150 000 € (forfait unique) | 40% (moyenne ERC PoC) |
| ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) 2025 | Agence Nationale de la Recherche (ANR) | 0.75 | 150 000 - 250 000 € | 15-20% (ANR JCJC) |
| Horizon Europe - Cluster 1: Health - HORIZON-HLTH-2025-DISEASE-01 (Personalised Medicine and Rare Diseases) | European Commission (EC) | 0.6 | 5-8 millions € (consortium de 6-10 partenaires) | 10-15% |

- **ERC Proof of Concept Grant 2025 (ERC-2025-PoC)** (European Research Council (ERC)): Ce programme est idéal pour valider une hypothèse à TRL bas avec un budget modeste. L'ERC PoC finance des activités de pré-commercialisation ou de validation de concept. Votre hypothèse, si elle est confirmée, pourrait déboucher sur un logiciel ou un brevet. Le protocole en 3 phases correspond parfaitement au format PoC.
- **ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) 2025** (Agence Nationale de la Recherche (ANR)): L'ANR JCJC finance des projets individuels ou en petit consortium (2-3 partenaires) avec un fort potentiel de rupture. Votre hypothèse est originale et bien formulée. Le budget demandé (20-80k) est inférieur au plafond, ce qui est un atout. Vous devrez ajouter une phase de validation sur données RNA-seq et un plan de valorisation (logiciel).
- **Horizon Europe - Cluster 1: Health - HORIZON-HLTH-2025-DISEASE-01 (Personalised Medicine and Rare Diseases)** (European Commission (EC)): Ce programme est adapté si vous élargissez l'hypothèse à une application clinique précise (ex : classification des sous-types de cancer du sein pour guider le traitement). Vous devrez monter un consortium incluant des cliniciens, des bioinformaticiens, des experts en IA et des industriels (ex : Illumina). Le TRL cible est 5-6. Votre hypothèse actuelle est trop amont pour cet appel, mais elle pourrait en être le socle.

**Recommandation financement**: Ciblez d'abord un financement de preuve de concept (ERC PoC ou ANR JCJC) pour valider l'hypothèse sur des données cliniques réelles (TRL 3-4). Ensuite, si les résultats sont positifs, montez un consortium pour un appel Horizon Europe Cluster 1 (Santé) ou un ERC Consolidator Grant. Évitez les appels trop larges (ex : ERC Advanced) à ce stade.

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 8.2/10 | strong_accept | Le protocole est remarquablement bien structuré avec une progression logique en trois phases (in silico, expérimental minimal, validation complète), chacune avec des critères GO/NO-GO/PIVOT clairs, ce qui permet une prise de décision objective et une allocation efficace des ressources avant de passer à des étapes plus coûteuses. |
| domain_expert | 7.2/10 | weak_accept | L'hypothèse identifie correctement le problème fondamental de la 'closure constraint' dans les données de microarrays, un point souvent négligé dans la littérature en bioinformatique du cancer. Le transfert méthodologique de la CoDA, bien établi en écologie microbienne et en métabolomique, vers la classification du cancer est une extension logique et potentiellement fructueuse. |
| contrarian | 3.5/10 | weak_reject | L'hypothèse aborde un problème réel et sous-estimé : l'impact du 'closure constraint' sur les corrélations entre gènes dans les données de puces à ADN, un artefact que les normalisations standard ne traitent pas explicitement. |
| industrialist | 6.5/10 | weak_accept | Marche adressable clair et quantifiable : le diagnostic moleculaire du cancer (marché estimé à $15B d'ici 2028) et les plateformes de classification de sous-types (ex. MammaPrint, Oncotype DX) paieraient pour une amélioration de 8 pp de précision, car cela réduit les faux positifs et les biopsies inutiles, impactant directement le remboursement par les assureurs. |
| funding_strategist | 6.8/10 | accept | Hypothèse forte et falsifiable avec un mécanisme causal clair (CLR supprime les corrélations artefactuelles dues à la contrainte de somme constante), ce qui est rare et apprécié des évaluateurs ANR/ERC. |

**Consensus score**: 6.4/10
**Verdict final**: publish_brief

### 6.1 Consensus

- Tous les reviewers reconnaissent que l'hypothèse aborde un problème réel et sous-estimé : l'impact du 'closure constraint' sur les corrélations dans les données de microarrays, et que le transfert méthodologique de la CoDA vers la classification du cancer est une extension logique et potentiellement fructueuse.
- Le protocole de validation en 3 phases avec des critères GO/NO-GO explicites est unanimement salué comme un modèle de rigueur hypothético-déductive et de gestion des risques, ce qui rassure sur la faisabilité et la maturité méthodologique.
- L'ampleur de l'effet annoncé (≥8 pp de gain en balanced accuracy) est jugée trop précise et ambitieuse par le domain_expert et le contrarian, qui recommandent de la remplacer par une gamme d'effets attendus plus réaliste (1-3 pp).
- Le manque de preuve de concept sur des données réelles avec une structure de covariance réaliste est un point faible critique : le contrarian exige une simulation réaliste avant tout investissement, et le funding_strategist note que le TRL actuel est trop bas (1-2) pour des financements majeurs.

### 6.2 Points de desaccord

- Le contrarian (score 3.5, confidence 0.85) estime que l'effet taille de 8 pp est irréaliste et que le CLR pourrait détruire des structures de co-expression biologiquement informatives, tandis que le methodologist (score 8.2, confidence 0.92) et le domain_expert (score 7.2, confidence 0.78) considèrent l'hypothèse comme théoriquement solide et bien conçue, malgré des réserves sur l'ampleur de l'effet.
- Le domain_expert soulève que l'Assumption 1 (quantité totale d'ARNm non informative) est une simplification excessive, car l'abondance absolue d'ARNm peut être discriminante dans certains cancers (via cellularité, aneuploïdie, CNA). Le methodologist et le contrarian ne contestent pas ce point, mais le contrarian l'utilise comme argument pour un 'fail reason' supplémentaire.
- Le funding_strategist recommande de cibler d'abord un financement de preuve de concept (ERC PoC) avant de viser des appels plus larges, tandis que l'industrialist préconise un lancement immédiat de la Phase 1 in silico pour valider le ROI avant tout engagement lourd. Ces deux visions ne sont pas contradictoires mais reflètent des temporalités différentes (académique vs. commerciale).

### 6.3 Critical path

Le facteur le plus determinant pour le succes/echec de cette hypothese est la validation de l'effet taille annonce (≥8 pp) sur un jeu de donnees synthetique avec une structure de covariance realiste (inspiree de donnees TCGA) et sur au moins un jeu de donnees clinique reel (ex: TCGA BRCA). Si le gain observe est <3 pp ou non significatif apres correction pour comparaisons multiples, l'hypothese centrale s'effondre. La gestion des zeros et des valeurs negatives dans les microarrays pour l'application de la CLR est un point technique bloquant qui doit etre resolu avant toute validation a grande echelle.

**Recommandation finale**: L'hypothèse est intellectuellement stimulante, repose sur des bases théoriques solides en analyse compositionnelle, et le protocole de validation est exemplaire. Cependant, l'ampleur de l'effet annoncé (≥8 pp) est trop ambitieuse et non soutenue par des preuves préliminaires. Le panel recommande de publier un brief de recherche décrivant l'hypothèse, le mécanisme causal et le protocole de validation, mais en remplaçant le seuil de 8 pp par une gamme d'effets attendus (ex: amélioration modérée à substantielle, 1-5 pp) et en ajoutant une discussion explicite sur les cas où l'abondance absolue d'ARNm est informative. Une preuve de concept sur données synthétiques réalistes et sur un jeu de données TCGA est nécessaire avant de pouvoir justifier une validation à grande échelle. Le brief servira de base pour un financement de type ERC Proof of Concept.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- No paper in the provided list directly tests the application of CoDA (CLR/ILR) preprocessing on microarray data before deep learning classifiers (LSTM-DBN, CNN) for cancer classification. This remains a critical gap.
- The specific impact of CoDA preprocessing on false positive rates in feature selection for cancer subtype classification, compared to standard methods like RMA, is not directly addressed in any provided paper.
- The biological interpretability of log-ratio transformed features (e.g., whether they correspond to known pathways) is not explored in the provided literature, confirming the existing epistemic gap.
- No paper provides a direct comparison of CoDA-based normalization vs. standard normalization (RMA, quantile normalization) in the context of deep learning for cancer classification.

### 7.2 Competence gaps

- Phase 1: R programming (intermediate)
- Phase 1: Python programming (intermediate)
- Phase 1: Machine learning pipeline implementation (LASSO, SVM, CNN, LSTM-DBN)
- Phase 1: Compositional data analysis theory (Aitchison geometry, CLR, ILR)
- Phase 1: Statistical hypothesis testing (paired t-test, Wilcoxon, Fisher z, multiple testing correction)
- Phase 2: Cell culture and RNA extraction (intermediate)
- Phase 2: Microarray hybridization (basic, or outsourced to core facility)
- Phase 2: R programming for preprocessing and classification
- Phase 3: Advanced R and Python programming
- Phase 3: Deep learning (CNN, LSTM, DBN) implementation and tuning
- Phase 3: Compositional data analysis theory and practice
- Phase 3: Biostatistics (mixed-effects models, multiple testing correction, power analysis)
- Phase 3: High-performance computing (Slurm, AWS CLI)

### 7.3 Epistemic gaps

- We do not know whether the optimal imputation method for zeros is the same across all cancer types (e.g., solid tumors vs. liquid tumors).
- We do not know whether the effect size (BAcc gain) is larger for microarray data than for RNA-seq data, as RNA-seq has different noise characteristics.
- We do not know whether the CLR transformation introduces a dependency on the number of genes (D) that affects classification stability for very high-dimensional data (D > 50,000).

## References

[1] Antoine Godichon-Baggioni, C. Maugis-Rabusseau, et al. (2017). *Clustering transformed compositional data using K-means, with applications in gene expression and bicycle sharing system data*. DOI: [10.1080/02664763.2018.1454894](https://doi.org/10.1080/02664763.2018.1454894)
[2] A. Fernandes, J. N. Reid, et al. (2014). *Unifying the analysis of high-throughput sequencing datasets: characterizing RNA-seq, 16S rRNA gene sequencing and selective growth experiments by compositional data analysis*. DOI: [10.1186/2049-2618-2-15](https://doi.org/10.1186/2049-2618-2-15)
[3] Ionas Erb, G. Gloor, et al. (2020). *Editorial: Compositional data analysis and related methods applied to genomics—a first special issue from NAR Genomics and Bioinformatics*. DOI: [10.1093/nargab/lqaa103](https://doi.org/10.1093/nargab/lqaa103)
[4] N. Štefelová, J. Palarea‐Albaladejo, et al. (2021). *Weighted pivot coordinates for partial least squares‐based marker discovery in high‐throughput compositional data*. DOI: [10.1002/sam.11514](https://doi.org/10.1002/sam.11514)
[5] M. Badri, Zachary D. Kurtz, et al. (2018). *Normalization methods for microbial abundance data strongly affect correlation estimates*. DOI: [10.1101/406264](https://doi.org/10.1101/406264)
[6] Sophie J. Weiss, Z. Xu, et al. (2017). *Normalization and microbial differential abundance strategies depend upon data characteristics*. DOI: [10.1186/s40168-017-0237-y](https://doi.org/10.1186/s40168-017-0237-y)
[7] Alexander R. Bennett, Jon Lundstrøm, et al. (2025). *Compositional data analysis enables statistical rigor in comparative glycomics*. DOI: [10.1038/s41467-025-56249-3](https://doi.org/10.1038/s41467-025-56249-3)
[8] Abdulaziz Alenazi (2021). *A review of compositional data analysis and recent advances*. DOI: [10.1080/03610926.2021.2014890](https://doi.org/10.1080/03610926.2021.2014890)
[9] E. Grunsky, D. Arne (2020). *Mineral-resource prediction using advanced data analytics and machine learning of the QUEST-South stream-sediment geochemical data, southwestern British Columbia, Canada*. DOI: [10.1144/geochem2020-054](https://doi.org/10.1144/geochem2020-054)
[10] Aaron Miatke, T. Olds, et al. (2023). *The association between reallocations of time and health using compositional data analysis: a systematic scoping review with an interactive data exploration interface*. DOI: [10.1186/s12966-023-01526-x](https://doi.org/10.1186/s12966-023-01526-x)
[11] F. Wolf, Philipp Angerer, et al. (2018). *SCANPY: large-scale single-cell gene expression data analysis*. DOI: [10.1186/s13059-017-1382-0](https://doi.org/10.1186/s13059-017-1382-0)
[12] M. Robinson, Davis J. McCarthy, et al. (2009). *edgeR: a Bioconductor package for differential expression analysis of digital gene expression data*. DOI: [10.1093/bioinformatics/btp616](https://doi.org/10.1093/bioinformatics/btp616)
[13] Lu Yang, Xianyang Zhang, et al. (2024). *Winsorization greatly reduces false positives by popular differential expression methods when analyzing human population samples*. DOI: [10.1186/s13059-024-03230-w](https://doi.org/10.1186/s13059-024-03230-w)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 8.2/10 | **Verdict**: strong_accept | **Confidence**: 0.92
- **Strengths**: Le protocole est remarquablement bien structuré avec une progression logique en trois phases (in silico, expérimental minimal, validation complète), chacune avec des critères GO/NO-GO/PIVOT clairs, ce qui permet une prise de décision objective et une allocation efficace des ressources avant de passer à des étapes plus coûteuses.; La spécification extrêmement détaillée des prédictions falsifiables avec des bornes quantitatives précises (ex: ΔBAcc ≥ 8 pp, IC 95% ≥ 5 pp), des méthodes statistiques explicites (test t apparié, Wilcoxon, correction de Benjamini-Hochberg), et des hypothèses nulles claires est un modèle de rigueur hypothético-déductive.; L'identification et la gestion proactive des biais sont exemplaires : biais de sélection adressé par la validation sur 15 types de cancer TCGA et 5 jeux de données GEO indépendants, biais de confirmation traité par l'utilisation de données simulées avec vérité terrain connue, et biais de mesure abordé par l'analyse de sensibilité sur trois méthodes d'imputation des zéros.
- **Weaknesses**: La puissance statistique pour la prédiction 4 (corrélation avec cellularité) est potentiellement insuffisante : avec seulement 10 types de cancer, la largeur de l'IC à 95% pour un coefficient de corrélation de Pearson sera très grande (environ ±0.6), rendant le critère |r| < 0.3 avec borne supérieure < 0.5 difficile à satisfaire même si la vraie corrélation est nulle.; Le protocole ne traite pas explicitement le biais de publication potentiel : si les résultats sont négatifs pour certains types de cancer ou classifieurs, y a-t-il un plan pour publier ces résultats nuls ? Le risque de 'file drawer problem' est réel, surtout avec 15 types de cancer × 6 classifieurs = 90 combinaisons.; La phase 2 (validation expérimentale minimale) utilise des mélanges synthétiques de lignées cellulaires qui, bien que contrôlés, ne reproduisent pas la complexité de l'hétérogénéité tumorale réelle (infiltration immune, stroma, sous-clones). Le passage de la phase 2 à la phase 3 pourrait révéler des facteurs de confusion non anticipés.
- **Questions**: Comment comptez-vous gérer le risque de surajustement lors de la sélection des caractéristiques (features) par LASSO, sachant que vous utilisez lambda.1se mais que le nombre de gènes (p ≈ 50 000) est 100 fois plus grand que le nombre d'échantillons (n ≈ 500) ? Avez-vous envisagé une validation croisée imbriquée (nested cross-validation) pour estimer l'erreur de généralisation de manière non biaisée ?; Pour la prédiction 3 sur les données simulées, comment garantissez-vous que la structure de corrélation compositionnelle (contrainte de somme constante) est correctement modélisée ? L'utilisation de mvtnorm avec une matrice de covariance standard pourrait ne pas capturer les dépendances non-linéaires induites par la fermeture compositionnelle. Avez-vous envisagé d'utiliser une distribution logistique normale multivariée ?; Quel est le plan d'analyse si les résultats montrent une amélioration significative pour certains classifieurs (ex: LASSO, SVM) mais pas pour d'autres (ex: LSTM-DBN) ? Le protocole mentionne un pivot pour 'classifier-specific failure', mais comment distinguerez-vous un échec dû à une réelle absence d'effet d'un échec dû à un manque de puissance statistique pour les modèles plus complexes ?
- **Recommendation**: Ce protocole est exceptionnellement bien conçu et mérite d'être accepté. Je recommande toutefois d'augmenter le nombre de types de cancer dans la prédiction 4 à au moins 20 (en utilisant des datasets GEO supplémentaires) pour obtenir une puissance statistique adéquate pour le test de corrélation. De plus, l'ajout d'une analyse de sensibilité post-hoc sur l'effet de l'hétérogénéité intra-tumorale (en utilisant des données de séquençage en cellule unique) renforcerait considérablement la validité externe des conclusions.

#### Domain Expert

- **Score**: 7.2/10 | **Verdict**: weak_accept | **Confidence**: 0.78
- **Strengths**: L'hypothèse identifie correctement le problème fondamental de la 'closure constraint' dans les données de microarrays, un point souvent négligé dans la littérature en bioinformatique du cancer. Le transfert méthodologique de la CoDA, bien établi en écologie microbienne et en métabolomique, vers la classification du cancer est une extension logique et potentiellement fructueuse.; La chaîne causale proposée (Steps 1-5) est cohérente avec les principes de la géométrie d'Aitchison. L'argument selon lequel la CLR élimine les corrélations négatives artefactuelles (paradoxe de Pearson) et améliore le rapport signal/bruit est théoriquement solide et soutenu par la littérature en analyse compositionnelle.; L'hypothèse est bien délimitée et testable. Les hypothèses sous-jacentes (Assumptions 1-4) sont clairement énoncées, ce qui permet une falsification expérimentale rigoureuse. La mention des 'known unknowns' montre une bonne conscience des limites et des zones d'incertitude du mécanisme proposé.
- **Weaknesses**: La prémisse centrale (Assumption 1) que la quantité totale d'ARNm par cellule est non informative pour la classification des sous-types de cancer est une simplification excessive. Dans de nombreux cancers, la cellularité tumorale, l'aneuploïdie et les altérations du nombre de copies (CNA) affectent directement l'abondance absolue d'ARNm. Ignorer cette information peut conduire à une perte de signal biologique crucial, ce que la CLR ne peut pas récupérer.; L'hypothèse d'une amélioration de 'au moins 8 points de pourcentage' (pp) de la balanced accuracy est trop précise et ambitieuse pour une étude de transfert méthodologique. L'ampleur de l'effet dépendra fortement du jeu de données (type de cancer, plateforme de microarray, bruit technique) et du classifieur. Une telle affirmation quantitative sans preuve préliminaire affaiblit la crédibilité de l'hypothèse.; L'hypothèse sous-estime les défis pratiques de l'application de la CLR aux données de microarrays. Les microarrays, contrairement au RNA-seq, ne produisent pas des comptages mais des intensités de fluorescence. Le 'total mRNA' est une mesure indirecte et non une somme de molécules. De plus, la présence de valeurs négatives après RMA (background correction) peut rendre le logarithme de la CLR instable, nécessitant des ajustements ad hoc non discutés.
- **Questions**: Comment l'hypothèse se comporterait-elle face à des données où l'abondance absolue d'ARNm (estimée par spike-ins ou par des méthodes comme le CIBERSORT-ABS) est effectivement discriminante pour le sous-type de cancer ? La CLR, en normalisant par la moyenne géométrique, détruirait-elle ce signal ?; L'effet de la CLR sur la réduction des corrélations spurious est-il vraiment indépendant du classifieur (Step 5) ? Les classifieurs linéaires (LASSO, SVM linéaire) sont sensibles à la multicolinéarité, tandis que les CNN extraient des motifs locaux. L'amélioration pourrait être inégale, avec un gain potentiellement plus important pour les modèles linéaires que pour les modèles profonds capables d'apprendre des dépendances complexes même en présence de bruit.; Quelle est la stratégie de gestion des zéros (ou des valeurs d'expression très faibles) dans les microarrays pour l'application de la CLR ? L'hypothèse mentionne un seuil de 20%, mais dans la pratique, de nombreux gènes sont exprimés à des niveaux proches du bruit de fond. Une imputation inappropriée (ex: remplacer par une petite constante) pourrait introduire un biais systématique et fausser les log-ratios.
- **Recommendation**: L'hypothèse est intellectuellement stimulante et repose sur des bases théoriques solides en analyse compositionnelle. Cependant, elle est trop ambitieuse dans ses prédictions quantitatives et ignore des aspects biologiques et techniques importants des données de microarrays. Je recommande une acceptation faible, conditionnée à une révision de l'hypothèse pour la rendre plus nuancée : remplacer le seuil de 8 pp par une gamme d'effets attendus (ex: amélioration modérée à substantielle) et ajouter une discussion sur les cas où l'abondance absolue est informative. Une étude pilote sur un jeu de données public (ex: TCGA) serait nécessaire avant de pouvoir justifier une validation à grande échelle.

#### Contrarian

- **Score**: 3.5/10 | **Verdict**: weak_reject | **Confidence**: 0.85
- **Strengths**: L'hypothèse aborde un problème réel et sous-estimé : l'impact du 'closure constraint' sur les corrélations entre gènes dans les données de puces à ADN, un artefact que les normalisations standard ne traitent pas explicitement.; Le mécanisme proposé (chaîne causale) est logiquement cohérent et bien articulé, avec des hypothèses auxiliaires clairement énoncées, ce qui facilite la falsification.
- **Weaknesses**: FAIL REASON #1: L'effet taille annoncé (≥8 pp de gain en balanced accuracy) est irréaliste pour un simple changement de prétraitement. Les gains de performance en classification transcriptomique sont généralement de l'ordre de 1-3 pp lorsqu'on compare des normalisations. Un gain de 8 pp suggère soit que la baseline RMA est catastrophique (ce qui n'est pas le cas dans la littérature), soit que le CLR introduit un biais de sélection de caractéristiques qui sur-optimise sur le jeu de validation croisée. Le scénario le plus probable est que le gain observé sera <3 pp, et non significatif après correction pour comparaisons multiples.; FAIL REASON #2: L'hypothèse ignore un 'confounder' majeur : la structure de corrélation des gènes (e.g., modules co-exprimés) est biologiquement informative pour les sous-types de cancer. Le CLR, en forçant une transformation log-ratio par rapport à la moyenne géométrique, peut détruire ces structures de co-expression légitimes (non-spurieuses) qui sont cruciales pour les classifieurs. L'angle mort est que le CLR pourrait réduire le signal biologique réel autant que le bruit, annulant tout bénéfice. Les simulations avec des gènes indépendants ne capturent pas cette réalité.; FAIL REASON #3: La prédiction 4 (absence de corrélation avec la cellularité) est naïve. L'estimation ESTIMATE est elle-même basée sur des signatures d'expression qui sont des compositions. Appliquer un CLR à des données déjà transformées par ESTIMATE pourrait créer une dépendance circulaire. De plus, si le CLR 'nettoie' les artefacts compositionnels, il devrait logiquement améliorer la classification plus dans les échantillons à faible cellularité (où le bruit de fond stromal/immun est plus fort). L'hypothèse nulle |r|<0.3 est trop large et ne teste pas cette interaction potentielle.
- **Questions**: Comment l'auteur distingue-t-il une corrélation 'spurieuse' due au closure constraint d'une corrélation biologique réelle entre gènes co-régulés ? Sans une simulation avec un modèle de bruit réaliste (e.g., bruit multiplicatif et additif, pas seulement des gènes indépendants), l'affirmation que le CLR améliore le SNR reste non fondée.; L'effet de la dimensionnalité (D > 50 000 gènes) sur la stabilité du CLR est mentionné comme 'unknown unknown'. Mais la transformation CLR implique une moyenne géométrique sur tous les gènes. Dans un contexte où la majorité des gènes ne sont pas différentiellement exprimés, cette moyenne est dominée par le bruit. Avez-vous testé si le CLR avec un sous-ensemble de gènes (e.g., les 5000 plus variables) donne des résultats différents ? Si oui, cela suggère que l'effet est un artefact de la sélection de caractéristiques, pas de la géométrie.
- **Recommendation**: Avant de soumettre à nouveau, l'auteur doit fournir une preuve de concept sur un jeu de données synthétique avec une structure de covariance réaliste (e.g., inspirée de données réelles de TCGA) où le signal biologique est connu. Il doit montrer que le CLR ne détruit pas les corrélations légitimes et que le gain de BAcc est robuste à la sélection de caractéristiques en amont. Une analyse de puissance statistique pour détecter un gain de 8 pp avec un échantillon de n=500 est également nécessaire.

#### Industrialist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.65
- **Strengths**: Marche adressable clair et quantifiable : le diagnostic moleculaire du cancer (marché estimé à $15B d'ici 2028) et les plateformes de classification de sous-types (ex. MammaPrint, Oncotype DX) paieraient pour une amélioration de 8 pp de précision, car cela réduit les faux positifs et les biopsies inutiles, impactant directement le remboursement par les assureurs.; Avantage concurrentiel défendable : le CLR est un préprocessing mathématique (non brevetable en soi), mais l'intégration dans un pipeline SaaS de bioinformatique clinique (ex. QIAGEN OmicSoft, Partek Flow) créerait un verrouillage par dépendance de workflow. Le gain de 8 pp en balanced accuracy est un argument marketing chiffré face à des solutions standards comme RMA ou TMM.; Timeline réaliste pour un MVP : Phase 1 (in silico) en 6 semaines avec données TCGA publiques (coût < €2k) permet de valider le ROI avant tout engagement lourd. Un prototype cloud (AWS/GCP) pourrait être opérationnel en 6 mois pour une preuve de concept client.
- **Weaknesses**: Barrière à l'entrée majeure : le CLR est un outil mathématique connu et non brevetable. L'IP potentielle réside uniquement dans l'implémentation logicielle ou l'interface clinique, ce qui est facilement contournable par des concurrents (ex. Illumina, Thermo Fisher) qui intègreraient la même transformation dans leurs pipelines propriétaires.; Risque commercial : les laboratoires cliniques (ex. LabCorp, Quest) sont extrêmement conservateurs sur les changements de pipeline validés par la FDA/CE-IVD. Un changement de préprocessing nécessite une revalidation complète du test (coût > $500k, délai 12-24 mois), ce qui freine l'adoption malgré le gain technique.; Dépendance au type de cancer : la prédiction 4 (pas de corrélation avec la cellularité) est fragile. Si le gain est confondu par le type de tissu (ex. tumeurs solides vs liquides), le marché se réduit aux cancers à haute cellularité (ex. sein, poumon), excluant les leucémies ou biopsies liquides (faible cellularité).
- **Questions**: Quel est le coût total de revalidation d'un pipeline clinique existant (ex. test de classification BRCA par RT-qPCR) pour intégrer le CLR, et combien de clients (laboratoires) accepteraient de payer cette revalidation contre une amélioration de 8 pp de précision ?; Existe-t-il un brevet ou une demande de brevet sur l'application du CLR spécifiquement à la classification de sous-types de cancer (par opposition à l'usage général en métagénomique) ? Si non, comment empêcher Illumina d'ajouter le CLR par défaut dans son pipeline DRAGEN ?; Quel est le modèle de tarification : licence par échantillon (€0.10-0.50) ou abonnement SaaS annuel (€50k-200k par labo) ? Le volume d'échantillons de classification de cancer (ex. 500k tests/an aux US) justifie-t-il un prix premium par rapport à la normalisation standard gratuite (RMA) ?
- **Recommendation**: Lancer immédiatement la Phase 1 in silico (€2k, 6 semaines) sur 5 jeux de données TCGA (BRCA, LUAD, COAD, OV, LUSC) pour confirmer le gain de 8 pp. Si validé, déposer un brevet provisoire US sur le 'Procédé de classification de sous-type de cancer par transformation CLR intégrée dans un pipeline de diagnostic' (focus sur la méthode d'intégration, pas sur le CLR lui-même). Parallèlement, approcher 2-3 laboratoires académiques (ex. MD Anderson, Gustave Roussy) pour un pilote clinique gratuit (Phase 2) en échange d'une publication co-signée. Ne pas investir dans un produit commercial avant d'avoir signé une lettre d'intention avec un laboratoire de diagnostic (ex. Veracyte, NanoString) prêt à co-développer le pipeline validé.

#### Funding Strategist

- **Score**: 6.8/10 | **Verdict**: accept | **Confidence**: 0.7
- **Strengths**: Hypothèse forte et falsifiable avec un mécanisme causal clair (CLR supprime les corrélations artefactuelles dues à la contrainte de somme constante), ce qui est rare et apprécié des évaluateurs ANR/ERC.; Protocole de validation en 3 phases avec des critères GO/NO-GO explicites, démontrant une maturité méthodologique et une gestion des risques, ce qui rassure les financeurs sur la faisabilité.; Budget modeste (20k-80k €) pour un potentiel impact élevé : si validé, le CLR pourrait devenir un standard de prétraitement en génomique, avec un fort potentiel de publication et de réutilisation.; Transfert méthodologique cross-domaine (géochimie -> biologie computationnelle) original, positionnant la demande comme innovante et interdisciplinaire.
- **Weaknesses**: TRL actuel très bas (TRL 1-2) : l'hypothèse n'est validée que sur des simulations ou données publiques non contrôlées. Les programmes ANR/ERC exigent généralement un TRL 3-4 pour un financement significatif.; Consortium non défini : l'hypothèse est portée par un seul chercheur ou une petite équipe. Les appels collaboratifs (Horizon Europe) nécessitent un consortium multi-partenaires avec des rôles clairs (bioinformaticiens, cliniciens, statisticiens).; Manque de preuve de reproductibilité sur des jeux de données cliniques réels : l'effet du CLR pourrait être masqué par le bruit technique ou la variabilité biologique, ce qui n'est pas testé dans le protocole actuel.; Risque de non-généralisabilité : l'hypothèse est testée sur des données de puces à ADN (microarray), mais les technologies RNA-seq dominent aujourd'hui. Le CLR pourrait ne pas s'appliquer directement aux comptages de reads.
- **Questions**: Quel est le TRL actuel de votre méthode sur des données cliniques réelles (ex : TCGA) ? Avez-vous déjà testé le CLR sur au moins un jeu de données RNA-seq pour vérifier la transférabilité ?; Quel serait le consortium idéal pour passer à un financement de type ANR PRC ou Horizon Europe ? Avez-vous identifié des partenaires cliniciens (pour l'accès aux échantillons) et des experts en normalisation de données omiques ?; Comment comptez-vous gérer le passage à l'échelle (high-dimensional, low-sample-size) avec des réseaux de neurones profonds, qui sont sujets au surapprentissage ? Votre protocole inclut-il des techniques de régularisation avancées ?
- **Recommendation**: Ciblez d'abord un financement de preuve de concept (ERC PoC ou ANR JCJC) pour valider l'hypothèse sur des données cliniques réelles (TRL 3-4). Ensuite, si les résultats sont positifs, montez un consortium pour un appel Horizon Europe Cluster 1 (Santé) ou un ERC Consolidator Grant. Évitez les appels trop larges (ex : ERC Advanced) à ce stade.

### B. Semantic Scholar Search Queries

- [novelty] `compositional data analysis gene expression classification` — Direct search for the core hypothesis applying CoDA to gene expression for cancer classification
- [novelty] `centered log-ratio microarray cancer subtype` — Checks if CLR transformation has been specifically tested on microarray cancer subtype data
- [novelty] `isometric log-ratio high-dimensional low-sample size` — Searches for ILR application in the HDLSS context typical of gene expression studies
- [novelty] `closure problem gene expression normalization` — Verifies if the compositional closure problem has been explicitly identified in gene expression normalization literature
- [evidence] `spurious correlation compositional data gene expression` — Seeks evidence of Pearson's paradox or spurious correlations in gene expression due to compositionality
- [evidence] `log-ratio transformation deep learning cancer` — Finds evidence of CoDA preprocessing before deep learning classifiers for cancer
- [evidence] `RMA normalization compositional artifact` — Looks for evidence that standard RMA normalization introduces artifacts due to ignoring compositionality
- [evidence] `false positive differential expression compositionality` — Searches for evidence linking compositional effects to inflated false positive rates in differential expression
- [cross_domain] `geochemistry log-ratio machine learning classification` — Finds interdisciplinary precedent of CoDA log-ratio methods used in geochemical classification tasks
- [cross_domain] `compositional data analysis bioinformatics review` — Searches for existing reviews bridging CoDA from geochemistry to bioinformatics
- [cross_domain] `simplex constraint high-dimensional classification` — Looks for cross-domain precedents addressing the simplex constraint in high-dimensional classification problems

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-05-11*