A Bayesian Adaptive Latent Mixture Model for Zero-Inflated Weighted Brain Connectome Analysis

ملخص تقني: نموذج الخليط الكامن التكيفي البايزي لتحليل الموصلات الدماغية الموزونة ذات التضخم الصفري

بيان المشكلة
تُظهر الشبكات الموزونة المتكررة، ولا سيما في الاتصالات الهيكلية المستمدة من تصوير الانتشار بالرنين المغناطيسي (dMRI)، تحديين إحصائيين سائدين يجعل النماذج الشبكية القياسية غير كافية. أولاً، تكون مصفوفات التجاور المرصودة تعاني من تضخم صفري كثيف؛ حيث تكون العديد من الحواف (edges) مساوية للصفر تماماً بسبب الغياب البيولوجي، أو عدم اليقين في تتبع المسارات (tractography)، أو عتبات التكرار. ثانياً، تُظهر أوزان الحواف غير الصفرية تبايناً عالياً وتحمل دلالة علمية فيما يتعلق بقوة التواصل العصبي. غالباً ما تتعامل النهج القياسية مع الأصفار كأوزان مستمرة صغيرة أو تفترض أنها مفقودة بشكل عشوائي، مما يؤدي إلى معايرة خاطئة لعدم اليقين لكل من الطوبولوجيا وقوة الحافة. علاوة على ذلك، فإن الطرق الموجودة مثل ALMA أو نماذج التنسور الكتلية (tensor block models) تفرض عادةً تخصيصات عنقودية منفصلة أو قيوداً تعامدية، والتي غالباً ما تكون مقيدة للغاية بالنسبة لتنظيم الدماغ البشري حيث يعبر الأشخاص عن مزيج متدرج ومتداخل من أنماط الاتصال بدلاً من الفئات المنفصلة.

المنهجية
يقترح المؤلفون نموذج الخليط الكامن التكيفي البايزي (BALM)، وهو إطار توليدي كامل مصمم للشبكات الموزونة والمتفرقة. يعالج النموذج خصائص بيانات الموصلات العصبية من خلال ثلاثة مكونات أساسية:

1. العضوية المختلطة المقيدة بـ "السمبلكس" (Simplex-Constrained Mixed Membership): على عكس التجميع المنفصل، يمثل BALM شبكة كل شخص كتركيبة محدبة من $M$ من مصفوفات الدرجات الكامنة منخفضة الرتبة المشتركة. يتم التقاط التباين النوعي لكل شخص عبر أوزان الخلط $W_\ell$ المقيدة بـ "سمبلكس" ($\Delta^{M-1}$)، مما يسمح بعضويات مستمرة ومتداخلة تحاكي بشكل أفضل التنظيم الدماغي المتدرج.
2. احتمالية الحاجز (Hurdle Likelihood) مع التناثر المستند إلى البنية: يفصل النموذج صراحةً بين وجود الحافة وقوة الحافة المشروطة باستخدام بنية "الحاجز".
   • وجود الحافة: يتم نمذجته عبر توزيع برنولي باحتمالية $\pi_{\ell,ij} = \text{logit}^{-1}(a_0 + a_1 \mu_{\ell,ij})$.
   • قوة الحافة: مشروطة بالوجود ($Z_{\ell,ij}=1$)، تتبع الأوزان المحولة لوغاريتمياً توزيع غاوسي (أو Student-t لزيادة المتانة) ممركزاً عند المتوسط الكامن $\mu_{\ell,ij}$.
   • معلمة الاقتران ($a_1$): وهي ميزة رئيسية، حيث تتحكم في الاقتران بين القوة الكامنة ووجود الحافة. إذا كان $a_1=0$، فإن التناثر يكون مستقلاً عن الاتصال؛ وإذا كان $a_1 \neq 0$، فإن الأصفار الطوبولوجية تكون معلوماتية حول الاتصال الكامن الضعيف.
3. القوالب الكامنة منخفضة الرتبة: يتم بناء المتوسطات الكامنة من مزيج من القوالب منخفضة الرتبة المشتركة $S_m = \tau U_m \text{diag}(\gamma_m) U_m^\top$، حيث تمثل $U_m$ نواقل أساس متعامدة، وتتحكم $\gamma_m$ في مقدار الأنماط الكامنة.

الحوسبة والاستدلال
نظراً لوجود قيود غير خطية (تعامد $U_m$، وقيود السمبلكس على $W_\ell$)، فإن التوزيعات البعدية (posteriors) ذات الصيغة المغلقة غير متوفرة. يستخدم المؤلفون طريقة مونت كارلو لهاملتون المحدثة (Transformed Hamiltonian Monte Carlo - HMC) مع خوارزمية (No-U-Turn Sampler - NUTS) على الإحداثيات غير المقيدة. تشمل التحويلات إحداثيات "النسبة اللوغاريتمية المضافة" لأوزان السمبلكس، والتحويلات اللوغاريتمية للقيم القياسية الموجبة، وبناء "ستيفل" (Stiefel) المستحث بواسطة QR للمصفوفات المتعامدة. تستخدم استراتيجية متعددة المعايير لاختيار النموذج لعدد القوالب $M$: معيار المعلومات واسع التطبيق (WAIC) لكل حافة، والتنبؤ بالروابط المحجوزة (AUC)، واستقرار الإجماع عبر عمليات التشغيل المستقلة.

المساهمات النظرية
في سيناريو القالب الثابت مع زيادة عدد الشبكات المتكررة ($L \to \infty$)، يثبت البحث عدة ضمانات تقاربية لتقدير فضاء الناتج (الذي يأخذ في الاعسبار تبديل الملصقات والتماثلات الطيفية):

• الاتساق البعدي (Posterior Consistency): يقترب الاحتمال البعدي للمعلمة الحقيقية (باستثناء التبديل) من 1.
• النموذج الطبيعي المحلي التقاربي (Local Asymptotic Normality - LAN): تقبل دالة الإمكان (log-likelihood) توسعاً تربيعياً حول الحقيقة.
• تقريب بيرنستين-فون ميزس (Bernstein–von Mises Approximation): يتقارب التوزيع البعدي نحو توزيع غاوسي ممركز عند مقدر الإمكان الأقصى مع تباين يساوي مقلوب معلومات فيشر.
• الاتساق التنبئي (Predictive Consistency): يتقارب التوزيع التنبئي البعدي نحو توزيع البيانات المولدة الحقيقية.
• الانكماش الشرطي (Conditional Contraction): بالنسبة لشخص ثابت، يتقلص التوزيع البعدي لأوزان الخلط بمعدل $O_P(1/\sqrt{P})$ مع زيادة عدد الحواف $P$.

النتائج التجريبية

• المحاكاة: تمت مقارنة BALM مع ALMA ونموذج التنسور الكتلي. في الإعدادات ذات العضوية المختلطة العالية (المجتمعات المتداخلة)، تفوق BALM بشكل كبير على نماذج التجميع الصلب في استعادة القوالب واستقرار التجميع (مؤشر راند المعدل). وبينما قدمت نماذج التجميع الصلب أداءً أفضل قليلاً في السيناريوهات شبه المنفصلة، حافظ BALM على أداء مماثل. والأهم من ذلك، تفوق BALM بشكل كبير على النماذج التي تعتمد على الطوبولوجيا فقط في استعادة أوزان الحواف المستمرة، مما يثبت فائدة نمذجة قناة القيم غير الصفرية صراحةً.
• تطبيق مشروع الكونكتوم البشري (HCP): طُبق على $L=1065$ من المشاركين من إصدار HCP S1200 (68 عقدة)، حيث استعاد النموذج قوالب هيكلية كامنة مستقرة.
  • المتانة: استُخدمت احتمالية Student-t للقناة المستمرة للتعامل مع توزيعات الأوزان ذات الذيول الثقيلة.
  • القابلية للتفسير: على عكس ALMA، الذي أجبر الشبكات المتميزة (مثل الشبكة الافتراضية والشبكة الحركية الجسدية) على الدخول في قوالب مختلطة واحدة بسبب قيود التعامد، نجح BALM في فصل هذه الشبكات إلى أنماط (motifs) قابلة للتفسير مع تداخلات متدرجة.
  • التحليل السلوكي: تم ربط القوالب المستعادة بمتغيرات سلوكية (مثل العاطفة الإيجابية، والتوجه المكاني). يشير المؤلفون إلى أن هذه الارتباطات صغيرة في حجمها وتعمل حصرياً كـ توصيفات استكشافية للتحقق من التوافق مع المحاور المعرفية، وليس كادعاءات بيولوجية تأكيدية.

الأهمية والادعاءات
يزعم البحث أن BALM يوفر إطاراً إحصائياً مبدئياً للشبكات الموزونة المتفرقة يتجنب عيوب معاملة الأصفار كبيانات مفقودة أو أوزان صغيرة. من خلال فصل وجود الحافة عن قوتها والسماح بالعضوية المختلطة المستمرة، يقدم النموذج:

1. معايرة عدم اليقين: تحديد دقيق لعدم اليقين لكل من الطوبولوجيا، والأوزان، ومعلمات التناثر.
2. الصلاحية العلمية في علوم الموصلات العصبية: آلية للتمييز بين الغياب الهيكلي والاتصال الضعيف، وهو أمر بالغ الأهمية لتفسير بيانات dMRI.
3. المرونة: القدرة على استعادة مخاليط مستقرة وغير متجانسة على مستوى الفرد دون القيود التعامدية الصارمة للطرق السابقة.

يؤكد المؤلفون أنه بينما يستعيد النموذج أنماطاً كامنة مستقرة، فإن الارتباطات السلوكية الملاحظة في تطبيق HCP هي وصفية واستكشافية، مما يتجنب التفسير المفرط كعلاقات ميكانيكية بين الدماغ والسلوك. كما يُلاحظ أن الإطار قابل للتطبيق على الشبكات الموزونة المتفرقة الأخرى، مثل التفاعلات الاجتماعية أو التدفقات المالية.