NExON-Bayes: A Bayesian approach to network estimation informed by ordinal covariates

तकनीकी सारांश: NExON-Bayes

समस्या विवरण
विषम बायोमेडिकल डेटा (heterogeneous biomedical data) के विश्लेषण में, जैसे कि विभिन्न रोग चरणों या उपचार प्रतिक्रियाओं वाले रोगियों के ओमिक्स (omics) डेटासेट, मानक गॉसियन ग्राफिकल मॉडल (GGMs) अक्सर विफल हो जाते हैं क्योंकि वे यह मान लेते हैं कि सभी नमूनों में समान सशर्त निर्भरता संरचनाएं (homogeneous conditional dependence structures) होती हैं। यह धारणा भ्रामक निष्कर्षों की ओर ले जा सकती है जब नमूना परिवर्तनशीलता (sample variability) रोग की गंभीरता जैसे आंतरिक कारकों द्वारा संचालित होती है। हालांकि हाल के तरीके कई नेटवर्क को संयुक्त रूप से अनुमानित करने का प्रयास करते हैं, वे उपसमूहों को विनिमेय (exchangeable) मानते हैं, जिससे प्राकृतिक क्रम (जैसे, रोग चरण I, II, III) की अनदेखी हो जाती है। इसके अलावा, मौजूदा सहचर-निर्भर (covariate-dependent) दृष्टिकोण अक्सर प्रिसिजन मैट्रिक्स (precision matrix) की धनात्मक निश्चितता (positive definiteness) सुनिश्चित करने में संघर्ष करते हैं या उनमें उच्च-आयामी सेटिंग्स के लिए आवश्यक स्केलेबिलिटी का अभाव होता है।

कार्यप्रणाली
लेखक NExON-Bayes का प्रस्ताव करते हैं, जो एक बेयसियन फ्रेमवर्क है जो ऑर्डिनल सहचरों (ordinal covariates) (जैसे, रोग चरण, चिकित्सीय प्रतिक्रिया श्रेणियां, या जीनोटाइप कॉपी नंबर) को शामिल करने के लिए ग्राफिकल स्पाइक-एंड-स्लैब मॉडल का विस्तार करता है।

• मॉडल संरचना: विधि यह मानती है कि समान सहचर मानों द्वारा परिभाषित समूहों के भीतर के नमूने एक विशिष्ट प्रिसिजन मैट्रिक्स $\Omega^{(a)}$ साझा करते हैं, जबकि इन मैट्रिसेस को सहचर स्तरों $a \in A$ के माध्यम से भिन्न होने की अनुमति दी जाती है।
• स्पाइक-एंड-स्लैब प्रायर (Spike-and-Slab Prior): स्पर्सिटी (sparsity) उत्पन्न करने के लिए, NExON-Bayes प्रत्येक प्रिसिजन मैट्रिक्स के ऑफ-डायगोनल तत्वों पर एक निरंतर स्पाइक-एंड-स्लैब प्रायर का उपयोग करता है। यह दो गॉसियनों (एक कम-विचरण वाला "स्पाइक" और एक उच्च-विचरण वाला "स्लैब") के मिश्रण का उपयोग करता है जो बाइनरी एज इंक्लूजन इंडिकेटर्स $\delta^{(a)}_{ij}$ द्वारा नियंत्रित होते हैं।
• ऑर्डिनल सहचर निर्भरता: उन तरीकों के विपरीत जो प्रिसिजन मैट्रिक्स प्रविष्टियों को सीधे सहचरों के फलन (functions) के रूप में मॉडल करते हैं, NExON-Bayes एज इंक्लूजन की संभावना को प्रोबिट सबमॉडल (probit submodel) के माध्यम से मॉडल करता है। विशेष रूप से, एज इंक्लूजन इंडिकेटर $\delta^{(a)}_{ij}$ एक बर्नुली वितरण का पालन करता है जिसकी संभावना $\Phi(\zeta_{ij} + a\beta_{ij})$ है, जहाँ $\Phi$ मानक सामान्य CDF है, $\zeta_{ij}$ एक बेसलाइन ऑफसेट है, और $\beta_{ij}$ एक एज-विशिष्ट रिग्रेशन गुणांक है जो ऑर्डिनल सहचर $a$ के प्रभाव को मात्रात्मक रूप से दर्शाता है।
• अनुमान एल्गोरिदम (Inference Algorithm): उच्च-आयामी डेटा की कम्प्यूटेशनल मांगों को संबोधित करने के लिए, लेखक एक नियतात्मक वेरिएशनल बेयस एक्सपेक्टेशन कंडीशनल मैक्सिमाइजेशन (VBECM) एल्गोरिदम विकसित करते हैं। यह दृष्टिकोण माध्य-क्षेत्र सन्निकटन (mean-field approximation) का उपयोग करता है ताकि पोस्टीरियर वितरण को फैक्टराइज किया जा सके। महत्वपूर्ण रूप से, एल्गोरिदम हर पुनरावृत्ति (iteration) में धनात्मक निश्चितता बनाए रखने के लिए प्रिसिजन मैट्रिसेस को ब्लॉकवाइज़ तरीके से अपडेट करता है, जिससे MCMC जैसे जटिल स्टोकेस्टिक सैंपलिंग तरीकों की समस्या टल जाती है।
• मॉडल चयन: स्पाइक विचरण पैरामीटर को चुनने के लिए विस्तारित बेयसियन सूचना मानदंड ($BIC_\gamma$) का उपयोग किया जाता है, जो मॉडल की जटिलता और चयन सटीकता के बीच संतुलन बनाता है।

प्रमुख योगदान

1. नवीन मॉडलिंग फ्रेमवर्क: NExON-Bayes पहला ऐसा तरीका है जो एक संयुक्त ग्राफिकल मॉडल फ्रेमवर्क के भीतर, प्रिसिजन मैट्रिक्स प्रविष्टियों को सीधे मॉडल करने के बजाय, एज इंक्लूजन संभावनाओं की ऑर्डिनल सहचरों पर निर्भरता को स्पष्ट रूप से मॉडल करता है।
2. स्केलेबिलिटी: एक अनुकूलित VBECM एल्गोरिदम का विकास यह सुनिश्चित करता है कि विधि उच्च-आयामी ओमिक्स सेटिंग्स (P=250 वेरिएबल्स तक) तक स्केल कर सके, जो मौजूदा संयुक्त मॉडलों की तुलना में काफी कम रनटाइम प्रदान करता है।
3. व्याख्यात्मकता (Interpretability): एज-विशिष्ट रिग्रेशन गुणांकों ($\beta_{ij}$) का अनुमान लगाकर, यह विधि प्रत्यक्ष अंतर्दृष्टि प्रदान करती है कि रोग की प्रगति या अन्य ऑर्डिनल कारकों के फलन के रूप में विशिष्ट जैविक पथ (edges) कैसे बदलते हैं, न कि केवल एक स्थिर नेटवर्क अनुमान प्रदान करती है।

परिणाम

• सिमुलेशन अध्ययन:
  • बेसलाइन्स के विरुद्ध प्रदर्शन: $P=100$ नोड्स और चार ऑर्डिनल समूहों वाले सिमुलेशन में, NExON-Bayes ने मानक सिंगल-नेटवर्क बेयसियन स्पाइक-एंड-स्लैब (SSL) मॉडल की तुलना में लगातार बेहतर प्रदर्शन किया, विशेष रूप से कमजोर संकेतों वाले नेटवर्क (नेटवर्क 2 और 3) में, जो सूचना उधार लेने (information borrowing) के लाभ को प्रदर्शित करता है।
  • स्टेट-ऑफ-द-आर्ट के साथ तुलना: NExON-Bayes का बेंचमार्किंग सहचर-निर्भर GGMs (covdepGE), विनिमेय संयुक्त मॉडल (SSJGL), और मल्टीपल ग्राफिकल हॉर्सशू मॉडल (mGHS) के विरुद्ध किया गया था।
    • इसने covdepGE की तुलना में बेहतर प्रिसिजन, रिकॉल और सटीकता प्राप्त की, जो अत्यधिक स्पार्स अनुमानों और खराब स्केलेबिलिटी से ग्रस्त था।
    • इसने रिकॉल में SSJGL को पछाड़ दिया, क्योंकि SSJGL नेटवर्कों के बीच समानता को अधिक आंकने की प्रवृत्ति रखता था, जिससे उन किनारों (edges) को पकड़ने में विफल रहा जो विशिष्ट चरणों में "गायब" हो गए थे।
    • इसने उच्च आयामों में खराब अभिसरण (convergence) के कारण बहुत घने नेटवर्क बनाने वाले mGHS की तुलना में काफी बेहतर प्रदर्शन किया।
  • गुणांक रिकवरी (Coefficient Recovery): विधि ने एज-विशिष्ट रिग्रेशन गुणांकों की अंतर्निहित संरचना को सफलतापूर्वक पुनः प्राप्त किया, जिससे उन किनारों की सही पहचान हुई जो सहचर के साथ बढ़ने या घटने की संभावना रखते थे।
• वास्तविक-विश्व अनुप्रयोग: स्तन कार्सिनोमा रोगियों (चरण I, II, और III) के रिवर्स फेज प्रोटीन एरे डेटा पर लागू करते हुए, मॉडल ने उन प्रोटिओमिक नेटवर्कों का अनुमान लगाया जो कैंसर के बढ़ने के साथ विकसित होते हैं। इस विश्लेषण ने अंतर्दृष्टि प्रदान की कि विशिष्ट प्रोटीन समूह और उनकी निर्भरताएं रोग के चरणों में कैसे बदलती हैं, जिससे पथ गतिशीलता (pathway dynamics) का एक व्यापक दृश्य प्राप्त हुआ।

महत्व और दावे
यह पेपर दावा करता है कि NExON-Bayes विषम सेटिंग्स में नेटवर्क अनुमान के लिए एक मजबूत, स्केलेबल समाधान प्रदान करता है जहाँ ऑर्डिनल सहचर उपलब्ध हैं। विनिमेयता (exchangeability) की धारणा से आगे बढ़कर और MCMC या प्रत्यक्ष प्रिसिजन मैट्रिक्स मॉडलिंग की कम्प्यूटेशनल बाधाओं से बचकर, यह विधि उन सूक्ष्म, चरण-विशिष्ट नेटवर्क परिवर्तनों का पता लगाने में सक्षम बनाती है जिन्हें अन्य तरीके मिस कर देते हैं। लेखक इस बात पर जोर देते हैं कि यह विधि न केवल अनुमानित नेटवर्क प्रदान करती है बल्कि इस बात की मात्रात्मक समझ भी देती है कि जैविक पथ रोग के चरणों में कैसे बदलते हैं, जिससे नैदानिक रूप से सार्थक व्याख्याएं सुलभ होती हैं। इसका कार्यान्वयन GitHub पर एक उपयोगकर्ता के अनुकूल R पैकेज के रूप में उपलब्ध कराया गया है।