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

Resumen Técnico: Un Modelo de Mezcla Latente Adaptativo Bayesiano para el Análisis de Conectomas Cerebrales Ponderados con Inflación de Ceros

Planteamiento del Problema
Las redes ponderadas replicadas, particularmente en conectómica estructural derivada de resonancia magnética de difusión (dMRI), presentan dos desafíos estadísticos omnipresentes que hacen inadecuados los modelos de red estándar. Primero, las matrices de adyacencia observadas están fuertemente infladas por ceros; muchas aristas son exactamente cero debido a la ausencia biológica, la incertidumbre de la tractografía o umbrales de reproducibilidad. Segundo, los pesos de las aristas no nulas exhiben alta variabilidad y portan significado científico respecto a la fuerza de la comunicación neural. Los enfoques estándar a menudo tratan los ceros como pesos continuos pequeños o asumen que faltan al azar, lo que conduce a una incertidumbre mal calibrada tanto para la topología como para la fuerza de las aristas. Además, los métodos existentes como ALMA o los modelos de bloques tensoriales suelen imponer asignaciones de clústeres discretas o restricciones ortogonales, que a menudo son demasiado restrictivas para la organización del cerebro humano, donde los sujetos expresan mezclas graduadas y superpuestas de motivos de conectividad en lugar de clases discretas.

Metodología
Los autores proponen el Modelo de Mezcla Latente Adaptativo Bayesiano (BALM), un marco totalmente generativo diseñado para redes replicadas, ponderadas y dispersas. El modelo aborda las características específicas de los datos conectómicos a través de tres componentes centrales:

1. Pertenencia Mixta Constrained al Simplex: A diferencia de la agrupación discreta, BALM representa la red de cada sujeto como una combinación convexa de $M$ matrices de puntuación latente compartidas y de bajo rango. La heterogeneidad específica del sujeto se captura mediante pesos de mezcla $W_\ell$ restringidos a un simplex ($\Delta^{M-1}$), lo que permite pertenencias continuas y superpuestas que aproximan mejor la organización cerebral gradual.
2. Verosimilitud de Umbral con Dispersión Informada por la Estructura: El modelo separa explícitamente la existencia de la arista de la fuerza condicional de la arista utilizando una arquitectura de umbral.
   • Existencia de la Arista: Modelada mediante una distribución Bernoulli con probabilidad $\pi_{\ell,ij} = \text{logit}^{-1}(a_0 + a_1 \mu_{\ell,ij})$.
   • Fuerza de la Arista: Condicionada a la existencia ($Z_{\ell,ij}=1$), los pesos transformados mediante logit siguen una distribución Gaussiana (o Student-t para robustez) centrada en la media latente $\mu_{\ell,ij}$.
   • Parámetro de Acoplamiento ($a_1$): Una característica clave es el parámetro $a_1$, que gobierna el acoplamiento entre la fuerza latente y la existencia de la arista. Si $a_1=0$, la dispersión es independiente de la conectividad; si $a_1 \neq 0$, los ceros topológicos son informativos sobre una conectividad latente débil.
3. Plantillas Latentes de Bajo Rango: Las medias latentes se construyen a partir de una mezcla de plantillas compartidas de bajo rango $S_m = \tau U_m \text{diag}(\gamma_m) U_m^\top$, donde $U_m$ son vectores de base ortonormales y $\gamma_m$ controla la magnitud de los modos latentes.

Cálculo e Inferencia
Debido a las restricciones no lineales (ortonormalidad de $U_m$, restricciones de simplex en $W_\ell$), no están disponibles posteriores en forma cerrada. Los autores emplean Monte Carlo Hamiltoniano Transformado (HMC) con un Muestreador Sin Retorno (NUTS) en coordenadas sin restricciones. Las transformaciones incluyen coordenadas de log-ratio aditivas para los pesos del simplex, transformaciones logarítmicas para escalares positivos y una construcción Stiefel inducida por QR para matrices ortonormales. La selección del modelo para el número de plantillas $M$ utiliza una estrategia de múltiples criterios: Criterio de Información Ampliamente Aplicable (WAIC) por arista, predicción de enlaces retenidos (AUC) y estabilidad de consenso a través de ejecuciones independientes.

Contribuciones Teóricas
Bajo un escenario de plantilla fija con un número creciente de redes replicadas ($L \to \infty$), el artículo establece varias garantías asintóticas para un estimador de espacio cociente identificable (teniendo en cuenta el cambio de etiquetas y las simetrías espectrales):

• Consistencia Posterior: La probabilidad posterior del parámetro verdadero (módulo permutación) converge a 1.
• Normalidad Asintótica Local (LAN): La log-verosimilitud admite una expansión cuadrática alrededor de la verdad.
• Aproximación de Bernstein–von Mises: La distribución posterior converge a una distribución Gaussiana centrada en el estimador de máxima verosimilitud con una covarianza igual a la inversa de la información de Fisher.
• Consistencia Predictiva: La distribución predictiva posterior converge a la verdadera distribución generadora de datos.
• Contracción Condicional: Para un sujeto fijo, la posterior de los pesos de mezcla se contrae a una tasa de $O_P(1/\sqrt{P})$ a medida que aumenta el número de aristas $P$.

Resultados Empíricos

• Simulaciones: BALM se comparó con ALMA y un modelo de bloques tensoriales. En escenarios con alta pertenencia mixta (comunidades superpuestas), BALM superó significativamente a las líneas base de agrupación rígida en la recuperación de plantillas y la estabilidad de la agrupación (Índice Rand Ajustado). Si bien los modelos de agrupación rígida funcionaron ligeramente mejor en escenarios casi discretos, BALM mantuvo un rendimiento comparable. Crucialmente, BALM superó sustancialmente a las líneas base solo de topología en la recuperación de pesos de arista continuos, demostrando el beneficio de modelar explícitamente el canal no nulo.
• Aplicación al Proyecto de Conectoma Humano (HCP): Aplicado a $L=1065$ sujetos de la versión S1200 del HCP (68 nodos), el modelo recuperó plantillas estructurales latentes estables.
  • Robustez: Se utilizó una verosimilitud Student-t para el canal continuo para manejar distribuciones de pesos con colas pesadas.
  • Interpretabilidad: A diferencia de ALMA, que forzaba redes distintas (por ejemplo, modo predeterminado y somatomotora) a plantillas mixtas únicas debido a restricciones de ortogonalidad, BALM las desentrelazó en motivos separados e interpretables con superposiciones graduadas.
  • Análisis Conductual: Las plantillas recuperadas se anotaron con variables conductuales (por ejemplo, Afecto Positivo, Orientación Espacial). Los autores señalan que estas asociaciones son pequeñas en magnitud y sirven estrictamente como anotaciones exploratorias para verificar la alineación con ejes cognitivos, no como afirmaciones confirmatorias de biomarcadores.

Significado y Afirmaciones
El artículo afirma que BALM proporciona un marco estadístico principiado para redes ponderadas dispersas que evita las trampas de tratar los ceros como datos faltantes o pesos pequeños. Al desacoplar la existencia de la arista de su fuerza y permitir una pertenencia mixta continua, el modelo ofrece:

1. Incertidumbre Calibrada: Cuantificación adecuada de la incertidumbre para topologías, pesos y parámetros de dispersión.
2. Validez Científica en Conectómica: Un mecanismo para distinguir entre la ausencia estructural y la conectividad débil, lo cual es crítico para interpretar datos de dMRI.
3. Flexibilidad: La capacidad de recuperar mezclas estables y heterogéneas a nivel de sujeto sin las restricciones ortogonales restrictivas de métodos anteriores.

Los autores enfatizan que, si bien el modelo recupera patrones latentes estables, las correlaciones conductuales observadas en la aplicación del HCP son descriptivas y exploratorias, evitando la sobreinterpretación como relaciones mecanísticas cerebro-conducta. También se señala que el marco es aplicable a otras redes ponderadas con inflación de ceros, como interacciones sociales o flujos financieros.