PathFinder: Joint Decompositions of Linked Multimodal Datasets

Das menschliche Gehirn ist eine weite, komplexe Landschaft, und Wissenschaftler versuchen schon lange, seine verborgenen Muster zu kartieren. Um dies zu tun, sammeln sie oft Daten aus vielen verschiedenen Blickwinkeln: Sie scannen die elektrische Aktivität des Gehirns, messen den Blutfluss oder betrachten sogar die Gene, die es formen. Jede dieser Methoden erzeugt ein massives Raster aus Zahlen, eine Momentaufnahme des Gehirns aus einer spezifischen Perspektive. Jahrelang haben Forscher mathematische Werkzeuge genutzt, um diese Gitter aufzubrechen und nach den einfachen, zugrunde liegenden Strukturen zu suchen, die sich durch das Rauschen wiederholen. Diese Werkzeuge sind deshalb so leistungsstark, weil sie rein datengesteuert sind; sie benötigen kein vorab geschriebenes Skript, das ihnen sagt, wonach sie suchen sollen, was es ihnen ermöglicht, verborgene Verbindungen in komplexen Systemen wie dem Gehirn aufzudecken. Es gab jedoch stets eine erhebliche Hürde: Diese Werkzeuge setzen im Allgemeinen voraus, dass alle verglichenen Daten ein gemeinsames Merkmal teilen, wie etwa dieselbe Gruppe von Menschen oder dieselben Hirnregionen. Wenn man versucht, das Gehirn eines Menschen mit dem eines Affen zu vergleichen, oder wenn man Daten für einige Menschen hat, aber nicht für andere, brechen die Standardmethoden oft zusammen, weil die Gitter nicht übereinstimmen.

Ein Team von Forschern an der Universität Oxford hat einen neuen Ansatz entwickelt, um dieses Problem zu lösen – eine Methode, die sie PathFinder nennen. Ihre Arbeit adresst eine grundlegende Einschränkung bei der Art und Weise, wie Wissenschaftler verschiedene Arten von Gehirndaten kombinieren. Stellen Sie sich vor, Sie versuchen, ein Puzzle zu lösen, dessen Teile aus verschiedenen Schachteln stammen und bei dem einige Teile gänzlich fehlen. Traditionelle Methoden würden darauf bestehen, dass jedes Teil perfekt in einen einzigen, vordefinierten Rahmen passen muss. PathFinder hingegen ist flexibler. Es erkennt, dass selbst wenn die gesamte Datensammlung keine gemeinsame Dimension teilt, kleinere Gruppen innerhalb der Daten dennoch überlappen können. Solange es eine Kette von Verbindungen – einen Pfad – gibt, der ein Datenteil mit einem anderen verknüpft, kann die Methode sie alle zu einem einzigen, kohärenten Bild verweben. Dies ermöglicht es Wissenschaftlern, gemeinsame Muster über verschiedene Spezies, verschiedene Arten von Scans oder sogar Datensätze hinweg zu finden, bei denen Informationen fehlen, ohne die Daten in eine starre Struktur zu zwingen, die sie von Natur aus nicht besitzen.

Die Forscher demonstrierten die Leistungsfähigkeit dieser neuen Methode durch eine Reihe von Tests, beginnend mit Computersimulationen. Sie erstellten ein Gitter aus sechs verschiedenen Datensätzen, die zwei Arten von Messungen über drei verschiedene Gruppen hinweg darstellten. In ihrem Test entfernten sie absichtlich zwei dieser Datensätze, als ob sie fehlen würden, und fragten den Algorithmus, wie diese fehlenden Teile basierend auf den verbleibenden vier aussehen müssten. Die Methode war erfolgreich; sie rekonstruierte die fehlenden Daten präzise und übertraf bei verrauschten Daten sogar ältere Techniken. Dies bewies, dass die Methode nicht nur Muster im Vorhandenen finden, sondern auch das Abwesende vorhersagen kann, indem sie effektiv die Lücken eines komplexen Puzzles mithilfe der Logik der umgebenden Teile füllt.

Um zu sehen, ob dies in der realen Welt funktioniert, wandte das Team PathFinder auf tatsächliche Gehirnscans aus dem Human Connectome Project an. In einem Experiment untersuchten sie Daten von einer visuellen Aufgabe, bei der Probanden rotierende Keile und bewegende Balken auf einem Bildschirm beobachteten. Sie hatten Aufzeichnungen der Gehirnaktivität und der visuellen Muster selbst, organisiert in einem Gitter aus sechs verschiedenen Durchläufen. Dann versteckten sie ein spezifisches visuelles Muster – den gegen den Uhrzeigersinn rotierenden Keil – vor dem Computer. Unter Verwendung nur der Gehirndaten und der anderen fünf visuellen Muster konnte PathFinder das fehlende visuelle Muster erfolgreich vorhersagen. Das Ergebnis war so präzise, dass das vorhergesagte Bild fast perfekt mit dem eigentlichen Stimulus übereinstimmte. Als sie jedoch denselben Trick anwandten, aber die Hälfte der Gehirndaten entfernten, schlug die Vorhersage fehl, was zeigte, dass die Methode darauf angewiesen ist, genügend verbundene Informationen zu haben, um eine zuverlässige Brücke über die Lücken zu bauen.

Das Team zeigte auch, dass PathFinder ein allgemeiner Rahmen ist, der das leisten kann, was mehrere bestehende, kompliziertere Methoden tun, jedoch auf eine einfachere, vereinheitlichte Weise. Beispielsweise kann eine gängige Technik namens duale Regression, die verwendet wird, um Gehirnnetzwerke in einzelnen Personen abzubilden, mit PathFinder in einem einzigen Schritt rekonstruiert werden. Dies deutet darauf hin, dass PathFinder nicht nur ein neuer Trick ist, sondern ein breiterer Schirm, unter dem viele bisherige Methoden Platz finden können, was einen flexibleren Umgang mit Daten ermöglicht, die nicht ordentlich in eine einzige Box passen.

Die vielleicht bemerkenswerteste Anwendung betraf die Untersuchung von Schleifen im Gehirn, die den Kortex mit tiefer liegenden Strukturen wie dem Thalamus und den Basalganglien verbinden. Diese Verbindungen bilden einen Zyklus, ähnlich einer Ringstraße, bei der Informationen von einer Region zur nächsten fließen und schließlich wieder am Ausgangspunkt ankommen. Die Forscher nutzten Diffusions-MRT-Daten von zehn menschlichen Probanden, um die strukturellen Verbindungen zwischen diesen Regionen abzubilden. Sie ordneten die Daten so an, dass sie diesen kreisförmigen Fluss widerspiegelten, wodurch eine Kette von Matrizen entstand, bei der jede Matrix eine Dimension mit ihrer Nachbarin teilte. Durch die Anwendung von PathFinder auf diese zyklische Anordnung konnten sie die drei großen funktionellen Pfade innerhalb dieser Schleifen aufdecken: den motorischen Pfad, den assoziativen Pfad und den limbischen Pfad. Die Methode gruppierte die Gehirnvoxel erfolgreich in diese unterschiedlichen Schaltkreise und enthüllte eine klare anatomische Organisation, die mit dem bereits bekannten Wissen über diese Hirnsysteme übereinstimmte.

Die Forscher weisen vorsorglich darauf hin, dass die Methode zwar leistungsstark ist, aber kein Zauberstab ist, der jedes Problem sofort löst. Die mathematische Natur der Dekomposition bedeutet, dass die Ergebnisse manchmal mehrdeutig sein können, was zusätzliche Schritte erfordert, um sie eindeutig und leicht interpretierbar zu machen. In ihren Experimenten verwendeten sie einen Folgeschritt, um die Ergebnisse in eine verständlichere Form zu rotieren, was ihnen half, die wahren zugrunde liegenden Strukturen in ihren Simulationen zu rekonstruieren und anatomisch sinnvolle Karten in realen Daten zu erzeugen. Sie räumten auch ein, dass die aktuelle Version des Werkzeugs am besten funktioniert, wenn die Daten in einem zweidimensionalen Gitter angeordnet werden können, betonten jedoch, dass sie bereits damit begonnen haben, darüber nachzudenken, wie sie es erweitern können, um komplexere, mehrdimensionale Daten und sogar nicht-lineare Beziehungen zu handhaben.

Letztendlich öffnet diese Arbeit die Tür dazu, Gehirne über Spezies und Maßstäbe hinweg auf eine Weise zu vergleichen, die zuvor unmöglich war. Da die Methode keine Eins-zu-eins-Entsprechung zwischen jedem einzelnen Datenpunkt erfordert, ermöglicht sie es Forschern, Daten einer Spezies, wie etwa einem Affen, zu nutzen, um Daten einer anderen, wie dem Menschen, zu interpretieren, selbst wenn sie nicht exakt dieselben Messungen für beide haben. Sie verwandelt die Herausforderung fehlender oder inkompatibler Daten in eine Chance, geteilte Muster in der biologischen Welt zu finden. Indem sie einen Weg bietet, disparate Datensätze durch einfache, überlappende Verbindungen zu verknüpfen, bietet PathFinder eine neue Linse, um die komplexe, vernetzte Natur des Gehirns zu betrachten, und verwandelt fragmentierte Informationen in eine einheitliche Geschichte darüber, wie wir denken, uns bewegen und fühlen.