PathFinder: Joint Decompositions of Linked Multimodal Datasets

Le cerveau humain est un paysage vaste et complexe, et les scientifiques cherchent depuis longtemps à en cartographier les motifs cachés. Pour ce faire, ils recueillent souvent des données sous de nombreux angles différents : en scannant l'activité électrique du cerveau, en mesurant son flux sanguin, ou même en observant les gènes qui le façonnent. Chacune de ces méthodes produit une grille massive de nombres, un instantané du cerveau d'une perspective spécifique. Pendant des années, les chercheurs ont utilisé des outils mathématiques pour décomposer ces grilles, cherchant les structures simples et sous-jacentes qui se répètent à travers le bruit. Ces outils sont puissants car ils sont purement fondés sur les données ; ils n'ont pas besoin d'un script pré-écrit pour leur dire quoi chercher, ce qui leur permet de révéler des connexions cachées dans des systèmes complexes comme le cerveau. Cependant, un obstacle important a toujours existé : ces outils exigent généralement que toutes les données comparées partagent une caractéristique commune, comme le même groupe de personnes ou les mêmes régions cérébrales. Si vous essayez de comparer le cerveau d'un humain avec celui d'un singe, ou si vous avez des données pour certaines personnes mais pas pour d'autres, les méthodes standards échouent souvent car les grilles ne s'alignent pas.

Une équipe de chercheurs de l'Université d'Oxford a développé une nouvelle approche pour résoudre ce problème, une méthode qu'ils appellent PathFinder. Leur travail répond à une limitation fondamentale dans la manière dont les scientifiques combinent différents types de données cérébrales. Imaginez que vous essayiez de résoudre un puzzle dont les pièces proviennent de boîtes différentes, et que certaines pièces manquent entièrement. Les méthodes traditionnelles insisteraient pour que chaque pièce s'insère parfaitement dans un cadre unique et prédéfini. PathFinder, au contraire, est plus flexible. Il réalise que même si la collection entière de données ne partage pas une dimension commune, de petits groupes au sein des données peuvent encore se chevaucher. Tant qu'il existe une chaîne de connexions — un chemin — qui relie une donnée à une autre, la méthode peut les tisser ensemble en une image cohérente et unique. Cela permet aux scientifiques de trouver des motifs communs à travers différentes espèces, différents types de scans, ou même des ensembles de données où certaines informations sont manquantes, sans forcer les données à s'adapter à une structure rigide qu'elles ne possèdent pas naturellement.

Les chercheurs ont démontré la puissance de cette nouvelle méthode à travers une série de tests, en commençant par des simulations informatiques. Ils ont créé une grille de six ensembles de données différents, représentant deux types de mesures à travers trois groupes différents. Dans leur test, ils ont délibérément supprimé deux de ces ensembles de données, faisant semblant qu'ils étaient manquants, et ont demandé à l'algorithme de déterminer à quoi ces pièces manquantes devraient ressembler en se basant sur les quatre restantes. La méthode a réussi, reconstruisant avec précision les données manquantes et surpassant même les techniques plus anciennes lorsque les données étaient bruitées. Cela a prouvé que la méthode pouvait non seulement trouver des motifs dans ce qui est présent, mais aussi prédire ce qui est absent, remplissant efficacement les blancs d'un puzzle complexe grâce à la logique des pièces environnantes.

Pour voir si cela fonctionnait dans le monde réel, l'équipe a appliqué PathFinder à de véritables scans cérébraux provenant du Human Connectome Project. Dans une expérience, ils ont étudié des données d'une tâche visuelle où les sujets regardaient des coins rotatifs et des barres mobiles sur un écran. Ils disposaient d'enregistrements de l'activité cérébrale et des motifs visuels eux-mêmes, organisés en une grille de six sessions différentes. Ils ont ensuite caché un motif visuel spécifique — le coin rotatif antihoraire — de l'ordinateur. En utilisant uniquement les données cérébrales et les cinq autres motifs visuels, PathFinder a réussi à prédire le motif visuel manquant. Le résultat était si précis que l'image prédite correspondait presque parfaitement au stimulus réel. Cependant, lorsqu'ils ont tenté le même tour mais en supprimant la moitié des données cérébrales, la prédiction a échoué, montant que la méthode repose sur le fait d'avoir suffisamment d'informations connectées pour construire un pont fiable à travers les lacunes.

L'équipe a également montré que PathFinder est un cadre général capable de faire ce que plusieurs méthodes existantes, plus compliquées, font déjà, mais d'une manière plus simple et unifiée. Par exemple, une technique courante appelée régression duale, utilisée pour cartographier les réseaux cérébraux chez les individus, peut être recréée en utilisant PathFinder en une seule étape. Cela suggère que Pathifer n'est pas seulement un nouveau tour de passe-passe, mais un parapluie plus large sous lequel de nombreuses méthodes précédentes peuvent s'abriter, offrant une façon plus flexible de gérer des données qui ne rentrent pas proprement dans une boîte unique.

L'application la plus frappante impliquait l'étude des boucles dans le cerveau qui connectent le cortex à des structures plus profondes comme le thalamus et les ganglions de la base. Ces connexions forment un cycle, comme une voie de contournement, où l'information circule d'une région à la suivante et finit par revenir au point de départ. Les chercheurs ont utilisé des données d'IRM de diffusion de dix sujets humains pour cartographier les connexions structurelles entre ces régions. Ils ont organisé les données de manière à refléter ce flux circulaire, créant une chaîne de matrices où chacune partage une dimension avec sa voisine. En appliquant PathFinder à cet arrangement cyclique, ils ont pu découvrir les trois voies fonctionnelles majeures au sein de ces boucles : la voie motrice, la voie associative et la voie limbique. La méthode a réussi à regrouper les voxels cérébraux en ces circuits distincts, révélant une organisation anatomique claire qui correspondait à ce que les scientifiques savaient déjà de ces systèmes cérébraux.

Les chercheurs précisent avec prudence que, bien que la méthode soit puissante, elle n'est pas une baguette magique qui résout tous les problèmes instantanément. La nature mathématique de la décomposition signifie que les résultats peuvent parfois être ambigus, nécessitant des étapes supplémentaires pour les rendre uniques et faciles à interpréter. Dans leurs expériences, ils ont utilisé un processus de suivi pour faire pivoter les résultats vers une forme plus compréhensible, ce qui a aidé à récupérer les véritables structures sous-jacentes dans leurs simulations et à produire des cartes anatomiquement sensées dans les données réelles. Ils reconnaissent également que la version actuelle de l'outil fonctionne mieux lorsque les données peuvent être organisées en une grille bidimensionnelle, bien qu'ils aient déjà commencé à réfléchir à la manière de l'étendre pour gérer des données multidimensionnelles plus complexes et même des relations non linéaires.

En fin de compte, ce travail ouvre la porte à la comparaison des cerveaux entre espèces et échelles de manières auparavant impossibles. Parce que la méthode ne nécessite pas une correspondance un à un entre chaque point de donnée, elle permet aux chercheurs d'utiliser des données d'une espèce, telle qu'un singe, pour aider à interpréter les données d'une autre, comme l'humain, même s'ils ne disposent pas exactement des mêmes mesures pour les deux. Elle transforme le défi des données manquantes ou incompatibles en une opportunité de trouver des motifs partagés à travers le monde biologique. En fournissant un moyen de lier des ensembles de données disparates par de simples connexions de chevauchement, PathFinder offre un nouveau prisme à travers lequel observer la nature complexe et interconnectée du cerveau, transformant des fragments d'informations en un récit unifié de la façon dont nous pensons, bougeons et ressentons.