PathFinder: Joint Decompositions of Linked Multimodal Datasets

El cerebro humano es un paisaje vasto e intrincado, y los científicos han buscado durante mucho tiempo mapear sus patrones ocultos. Para lograrlo, a menudo recopilan datos desde muchos ángulos diferentes: escaneando la actividad eléctrica del cerebro, midiendo su flujo sanguíneo o incluso observando los genes que le dan forma. Cada uno de estos métodos produce una enorme cuadrícula de números, una instantánea del cerebro desde una perspectiva específica. Durante años, los investigadores han utilizado herramientas matemáticas para descomponer estas cuadrículas, buscando las estructuras simples y subyacentes que se repiten a través del ruido. Estas herramientas son poderosas porque son puramente impulsadas por los datos; no necesitan un guion preescrito que les diga qué buscar, lo que les permite revelar conexiones ocultas en sistemas complejos como el cerebro. Sin embargo, siempre ha existido un obstáculo significativo: estas herramientas generalmente requieren que todos los datos que se comparan compartan una característica común, como el mismo grupo de personas o las mismas regiones cerebrales. Si intentas comparar el cerebro de un humano con el de un mono, o si tienes datos para algunas personas pero no para otras, los métodos estándar a menudo fallan porque las cuadrículas no coinciden.

Un equipo de investigadores de la Universidad de Oxford ha desarrollado un nuevo enfoque para resolver este problema, un método que llaman PathFinder. Su trabajo aborda una limitación fundamental en la forma en que los científicos combinan diferentes tipos de datos cerebrales. Imagina intentar resolver un rompecabezas cuyas piezas provienen de cajas distintas, y a algunas piezas les faltan partes por completo. Los métodos tradicionales insistirían en que cada pieza debe encajar perfectamente en un marco predefinido. PathFinder, por el contrario, es más flexible. Se da cuenta de que, incluso si la colección completa de datos no comparte una dimensión común, grupos más pequeños dentro de los datos podrían tener solapamientos. Siempre que exista una cadena de conexiones —un camino— que vincule una pieza de datos con otra, el método puede entretejerlas todas en una imagen única y coherente. Esto permite a los científicos encontrar patrones comunes a través de diferentes especies, diferentes tipos de escaneos o incluso conjuntos de datos donde falta cierta información, sin forzar a los datos a encajar en una estructura rígida que no poseen de forma natural.

Los investigadores demostraron el poder de este nuevo método a través de una serie de pruebas, comenzando con simulaciones por computadora. Crearon una cuadrícula de seis conjuntos de datos diferentes, que representaban dos tipos de mediciones a través de tres grupos distintos. En su prueba, eliminaron deliberadamente dos de estos conjuntos de datos, fingiendo que faltaban, y pidieron al algoritmo que determinara cómo deberían verse esas piezas faltantes basándose en las cuatro restantes. El método tuvo éxito, reconstruyendo con precisión los datos faltantes e incluso superando a las técnicas anteriores cuando los datos presentaban ruido. Esto demostró que el método no solo puede encontrar patrones en lo que está presente, sino que también puede predecir lo que está ausente, llenando eficazmente los huecos de un rompecabezas complejo utilizando la lógica de las piezas circundantes.

Para ver si esto funcionaba en el mundo real, el equipo aplicó PathFinder a escaneos cerebrales reales del Proyecto Human Connectome. En un experimento, analizaron datos de una tarea visual donde los sujetos observaban cuñas rotatorias y barras en movimiento en la pantalla. Tenían registros de la actividad cerebral y de los patrones visuales mismos, organizados en una cuadrícula de seis ejecuciones diferentes. Luego, ocultaron un patrón visual específico —la cuña que rota en sentido antihorario— de la computadora. Utilizando únicamente los datos cerebrales y los otros cinco patrones visuales, PathFinder predijo con éxito el patrón visual faltante. El resultado fue tan preciso que la imagen predicha coincidía casi perfectamente con el estímulo real. Sin embargo, cuando intentaron el mismo truco pero eliminaron la mitad de los datos cerebrales, la predicción falló, mostrando que el método depende de tener suficiente información conectada para construir un puente fiable a través de los vacíos.

El equipo también demostró que Path碼 es un marco general que puede hacer lo que varios métodos existentes, más complicados, hacen, pero de una manera más simple y unificada. Por ejemplo, una técnica común llamada regresión dual, utilizada para mapear redes cerebrales en individuos, puede recrearse usando PathFinder en un solo paso. Esto sugiere que PathFinder no es solo un truco nuevo, sino un paraguas más amplio bajo el cual pueden situarse muchos métodos previos, ofreciendo una forma más flexible de manejar datos que no encajan perfectamente en una sola caja.

Quizás la aplicación más sorprendente involucró el estudio de los bucles en el cerebro que conectan la corteza con estructuras más profundas como el tálamo y los ganglios basales. Estas conexiones forman un ciclo, como una carretera circular, donde la información fluye de una región a la siguiente y eventualmente regresa al punto de partida. Los investigadores utilizaron datos de difusión de la RM de diez sujetos humanos para mapear las conexiones estructurales entre estas regiones. Organizaron los datos de una manera que reflejaba este flujo circular, creando una cadena de matrices donde cada una compartía una dimensión con su vecina. Al aplicar PathFinder a esta disposición cíclica, pudieron descubrir las tres vías funcionales principales dentro de estos bucles: la vía motora, la vía asociativa y la vía límbica. El método agrupó con éxito los vóxeles cerebrales en estos circuitos distintos, revelando una organización anatómica clara que coincidía con lo que los científicos ya sabían sobre estos sistemas cerebrales.

Los investigadores advierten cuidadosamente que, aunque el método es poderoso, no es una varita mágica que resuelve todos los problemas instantáneamente. La naturaleza matemática de la descomposición significa que los resultados a veces pueden ser ambiguos, lo que requiere pasos adicionales para hacerlos únicos y fáciles de interpretar. En sus experimentos, utilizaron un proceso de seguimiento para rotar los resultados hacia una forma más comprensible, lo que ayudó a recuperar las verdaderas estructuras subyacentes en sus simulaciones y a producir mapas con sentido anatómico en los datos reales. También reconocen que la versión actual de la herramienta funciona mejor cuando los datos pueden organizarse en una cuadrícula bidimensional, aunque ya han comenzado a pensar en cómo expandirla para manejar datos más complejos y multidimensionales, e incluso relaciones no lineales.

En última instancia, este trabajo abre la puerta a comparar cerebros entre especies y escalas de maneras que antes eran imposibles. Debido a que el método no requiere una correspondencia uno a uno entre cada punto de datos, permite a los investigadores utilizar datos de una especie, como un mono, para ayudar a interpretar datos de otra, como un humano, incluso si no tienen las mismas mediciones exactas para ambos. Convierte el desafío de los datos faltantes o incompatibles en una oportunidad para encontrar patrones compartidos a través del mundo biológico. Al proporcionar una forma de vincular conjuntos de datos dispares mediante conexiones simples y superpuestas, PathFinder ofrece una nueva lente a través de la cual ver la naturaleza compleja e interconectada del cerebro, transformando fragmentos de información en una historia unificada de cómo pensamos, nos movemos y sentimos.