तकनीकी सारांश: अपरिवर्तित मापन विसंगति (Unmeasured Confounding) के तहत अलग से प्रेक्षित मध्यस्थ (Mediator) और परिणाम के साथ अर्ध-प्राचलिक मध्यस्थता विश्लेषण (Semiparametric Mediation Analysis)

1. समस्या विवरण

मध्यस्थता विश्लेषण (Mediation analysis), एक एक्सपोज़र $D$ का एक परिणाम $Y$ पर कुल कारण प्रभाव को प्राकृतिक प्रत्यक्ष प्रभाव (NDE) और प्राकृतिक अप्रत्यक्ष प्रभाव (NIE) में विभाजित करने के लिए एक मानक उपकरण है, जो एक मध्यस्थ $M$ के माध्यम से संचालित होता है। हालाँकि, एक महत्वपूर्ण व्यावहारिक सीमा तब उत्पन्न होती है जब $M$ और $Y$ कभी भी एक ही डेटासेट में संयुक्त रूप से प्रेक्षित नहीं होते हैं। ऐसी स्थिति एकीकृत जीनोमिक्स (जैसे, रोग की स्थिति के लिए GWAS के साथ जीन अभिव्यक्ति के लिए eQTL अध्ययनों को जोड़ना) और जनसंख्या स्वास्थ्य (जैसे, बड़े पैमाने पर एक्सपोज़र कोहॉर्ट्स को विस्तृत मध्यवर्ती फेनोटाइप वाले क्लिनिकल डेटाबेस के साथ मर्ज करना) में आम है।

ऐसे परिवेशों में, NDE और NIE के लिए मानक पहचान रणनीति विफल हो जाती है क्योंकि यह $(M, Y)$ के अपरक्षित संयुक्त वितरण (unobserved joint distribution) पर निर्भर करती है। इसके अलावा, यह समस्या मध्यस्थ और परिणाम के बीच अपरिवर्तित कन्फाउंडिंग (unmeasured confounding) की उपस्थिति से और भी बढ़ जाती है, जो पूर्ण डेटा सेटिंग्स में भी एक बड़ी बाधा है। मौजूदा डेटा फ्यूजन विधियाँ आम तौर पर यह मानती हैं कि कुछ ओवरलैप मौजूद है जहाँ दोनों चर देखे जाते हैं, या वे पैरामीट्रिक मान्यताओं पर निर्भर करती हैं जो लागू नहीं हो सकती हैं। यह शोध पत्र इस चुनौती को संबोधित करता है कि जब:

1. डेटा स्रोत विषम (heterogeneous) हों: एक स्रोत में $(D, Y)$ है और दूसरे में $(D, M)$ है, जिसमें $(M, Y)$ का कोई संयुक्त प्रेक्षण नहीं है।
2. $M$ और $Y$ के बीच अपरिवर्तित कन्फाउंडर्स $U$ मौजूद हैं।

2. कार्यप्रणाली और पहचान रणनीति

2.1 सेटअप और धारणाएँ

लेखक एक स्ट्रक्चरल कॉज़ल मॉडल (SCM) पर विचार करते हैं जिसमें बहिर्जात चर (exogenous variables) $D = (T, Z, A)$ हैं, जहाँ $T$ लक्षित एक्सपोज़र है, $Z$ इंस्ट्रूमेंटल वेरिएबल्स (IVs) का प्रतिनिधित्व करता है जिनका $Y$ पर कोई सीधा प्रभाव नहीं है, और $A$ सहायक चर हैं जिनका $Y$ पर सीधा प्रभाव है। डेटा दो स्रोतों ($S=0$ और $S=1$) से आता है:

• $S=0$: $(Y, D, X)$ को देखता है।
• $S=1$: $(M, D, X)$ को देखता है।

पहचान निम्नलिखित प्रमुख धारणाओं पर आधारित है:

• अकन्फाउंडेड एक्सपोज़र: $D \perp\!\!\!\perp (\epsilon_Y, \epsilon_M, U) \mid X, S$।
• लेटेंट अनकन्फाउंडेड मीडिएटर: $\epsilon_Y \perp\!\!\!\perp \epsilon_M \mid X, U, S$।
• कोई $M$-$U$ इंटरेक्शन नहीं: $M$ का $Y$ पर प्रभाव अपरिवर्तित कन्फाउंडर $U$ पर निर्भर नहीं करता है (एक "नो-इंटरेक्शन" स्थिति)।
• क्रॉस-सोर्स अलाइनमेंट: $D$ और $X$ के सापेक्ष, स्रोतों के बीच $U, M,$ और $Y$ के वितरण विनिमेय (exchangeable) हैं ($S \perp\!\!\!\perp (U, M, Y) \mid D, X$)। यह स्रोतों के बीच कोवेरिएट और एक्सपोज़र शिफ्ट की अनुमति देता है।
• पूर्णता स्थितियाँ (Completeness Conditions):
  • $M-Z$ पूर्णता: $M$ में परिवर्तनशीलता $Z$ में परिवर्तनशीलता द्वारा कैप्चर की जाती है।
  • $Z-M$ पूर्णता (दक्षता के लिए): $Z$ में परिवर्तनशीलता $M$ में परिवर्तनशीलता द्वारा कैप्चर की जाती है।

2.2 ब्रिज फंक्शन्स (Bridge Functions) के माध्यम से पहचान

मुख्य नवाचार एक स्रोत में प्रेक्षित मध्यस्थ वितरण को दूसरे स्रोत के लिए आवश्यक प्रति-तथ्यात्मक (counterfactual) मध्यस्थ वितरण के साथ संरेखित करने के लिए ब्रिज फंक्शन्स ($w$) का उपयोग करना है। पूर्णता की स्थिति के तहत, लेखक इन कार्यों $w_{tt'}^s$ के अस्तित्व को सिद्ध करते हैं जो एक इंटीग्रल समीकरण (पेपर में समीकरण 2) को संतुष्ट करते हैं। ये फलन प्रेक्षित मध्यस्थ स्तरों (strata) को पुन: भारित (reweight) करते हैं ताकि प्रति-तथ्यात्मक स्तरों से मेल खा सके, जिससे प्रभावी रूप से $(M, Y)$ को संयुक्त रूप से देखने की आवश्यकता को दरकिनार किया जा सके।

प्राकृतिक प्रत्यक्ष और अप्रत्यक्ष प्रभाव ब्रिज फंक्शन्स $w$ और प्रेक्षित डेटा वितरणों के फलन के रूप में पहचाने जाते हैं:
$$\psi^{NDE}_s = \psi^{10}_s - \psi^{00}_s, \quad \psi^{NIE}_s = \psi^{11}_s - \psi^{10}_s$$
जहाँ $\psi^{tt'}_s$ के पदों में $Y$ और ब्रिज फंक्शन्स $w$ के एक्सपेक्टेशन शामिल हैं।

2.3 अज्ञात IVs को संभालना

जब वैध IVs का सेट $Z$ अज्ञात हो लेकिन एक कैंडिडेट सेट $C$ उपलब्ध हो, तो लेखक एक स्पैरसिटी-आधारित पहचान रणनीति प्रस्तावित करते हैं। वे मानते हैं कि आधे से अधिक कैंडिडेट IVs वैध हैं (धारणा 6)। एक स्पार्स रिग्रेशन समस्या को हल करके, जो $r^*(M, D, X)$ नामक एक फलन को ढूंढता है जो स्रोत 0 में कंडीशनल आउटकम को स्रोत 1 में कंडीशनल मीडिएटर से जोड़ता है, वैध IVs को $D$ के उन घटकों के रूप में पहचाना जाता है जिन पर $r^*$ निर्भर नहीं करता है।

2.4 अनुमान (Estimation)

लेखक सेमीपैरामीट्रिक, इन्फ्लुएंस-फंक्शन-आधारित वन-स्टेप एस्टिमेटर्स विकसित करते हैं।

• मल्टीपल रोबस्टनेस (Multiply Robustness): एस्टिमेटर्स सुसंगत (consistent) हैं यदि कई न्यूसेंस पैरामीटर्स (जैसे, ब्रिज फंक्शन्स $w$, आउटकम रिग्रेशन $\nu$, या प्रोपेंसिटी स्कोर $\lambda$) के संयोजन में से कम से कम एक सही ढंग से निर्दिष्ट (specified) है। विशेष रूप से, निरंतरता (consistency) तब बनी रहती है जब या तो आउटकम मॉडल सही हो, या ब्रिज फंक्शन मॉडल सही हो, या दोनों के विशिष्ट संयोजन सही हों।
• दक्षता (Efficiency): पारस्परिक पूर्णता (mutual completeness) के तहत (जहाँ $Z$, $M$ में पूर्ण है और इसके विपरीत), प्रस्तावित एस्टिमेटर्स सेमीपैरामीट्रिक एफिशिएंसी बाउंड प्राप्त करते हैं। लेखक प्रभावों के लिए कैनोनिकल ग्रेडिएंट्स (इन्फ्लुएंस फंक्शन्स) को व्युत्पन्न करते हैं।
• रेगुलराइजेशन (Regularization): चूंकि ब्रिज फंक्शन्स को हल करने में इल-पोज़्ड इनवर्स प्रॉब्लम्स (Fredholm integral equations) शामिल हैं, इसलिए लेखक अनुमान को स्थिर करने के लिए रेगुलराइजेशन रणनीतियों (जैसे, टिक्होनोव रेगुलराइजेशन या वेरिएंस-आधारित पेनल्टी) का सुझाव देते हैं।

3. मुख्य परिणाम

3.1 सैद्धांतिक योगदान

• पहचान (Identification): पेपर यह स्थापित करता है कि अपरिवर्तित कन्फाउंडिंग और $M$ तथा $Y$ के अलग-अलग प्रेक्षण के तहत, NDE और NIE की पहचान की जा सकती है, बशर्ते कि वैध IVs और एक नो-इंटरेक्शन स्थिति मौजूद हो।
• दक्षता सीमाएँ (Efficiency Bounds):ism: लेखक सेमीपैरामीट्रिक एफिशिएंसी बाउंड्स को व्युत्पन्न करते हैं और दिखाते हैं कि उनके एस्टिमेटर्स पारस्परिक पूर्णता के तहत इन सीमाओं को प्राप्त करते हैं।
• साहित्य से जुड़ाव: यह ढांचा टू-सैंपल इंस्ट्रूमेंटल वेरिएबल (IV) समस्याओं का सामान्यीकरण करता है, यह दिखाते हुए कि टू-सैंपल सेटिंग्स में औसत उपचार प्रभाव (average treatment effects) उनके मेडिएशन फ्रेमवर्क के विशेष मामले हैं।

3.2 सिमुलेशन अध्ययन

• प्रदर्शन: सिंगल और मल्टीपल इंस्ट्रूमेंट्स के साथ सिमुलेशन में, प्रस्तावित एस्टिमेटर्स विभिन्न मॉडल मिसस्पेसिफिकेशन परिदृश्यों में नगण्य पूर्वाग्रह (bias) प्रदर्शित करते हैं, जो मल्टीपल रोबस्ट प्रॉपर्टी की पुष्टि करते हैं।
• दक्षता: मल्टीपल इंस्ट्रूमेंट्स वाले सेटिंग्स में जहाँ केवल मीडिएटर ही इंस्ट्रूमेंट सेट में पूर्ण है (नॉन-कंप्लीट सेटिंग), वहां प्रस्तावित विधि ने एडेप्टिव इंस्ट्रूमेंट एग्रीगेशन का उपयोग करके सिंगल IV का उपयोग करने की तुलना में पर्याप्त दक्षता लाभ (कम मानक त्रुटि) दिखाया।
• IV चयन: एक कैंडिडेट सेट से वैध IVs को चुनने के लिए प्रस्तावित एल्गोरिदम ने सैंपल साइज बढ़ने के साथ उच्च सटीकता (लगभग 100% सही पहचान) के साथ प्रदर्शन किया, भले ही उसमें अमान्य (invalid) IVs मौजूद थे।
• अनुमान (Inference): बूटस्ट्रैप-आधारित कॉन्फिडेंस इंटरवल, मॉडल मिसस्पेसिफिकेशन के तहत, इन्फ्लुएंस-फंक्शन-आधारित इंटरवल की तुलना में अधिक स्थिर और विश्वसनीय पाए गए।

3.3 डेटा अनुप्रयोग

इस ढांचे को अल्जाइमर रोग न्यूरोइमेजिंग इनिशिएटिव (ADNI) पर लागू किया गया ताकि PTK2B और CD33 की जीन अभिव्यक्ति के माध्यम से डिमेंशिया जोखिम पर SNP rs610932 के मध्यस्थता को मापा जा सके।

• डेटा फ्यूजन: अध्ययन ने ADNI-1 (आउटकम और SNPs, कोई जीन अभिव्यक्ति नहीं) और ADNI-GO/2 (SNPs और जीन अभिव्यक्ति, कोई दीर्घकालिक आउटकम नहीं) कोहॉर्ट्स को संयोजित किया।
• निष्कर्ष: PTK2B के माध्यम से अनुमानित प्राकृतिक अप्रत्यक्ष प्रभाव (NIE) कुल प्रभाव के सापेक्ष नकारात्मक और पर्याप्त था, जो एक सुरक्षात्मक तंत्र का सुझाव देता है। CD33 के माध्यम से NIE शून्य के करीब था।
• व्याख्या: लेखक नोट करते हैं कि हालांकि कॉन्फिडेंस इंटरवल चौड़े थे और शून्य को पार कर गए थे, फिर भी परिणाम एक जैविक तंत्र की ओर संकेत करते हैं जहाँ rs610932 का माइनर एलील, परिवर्तित PTK2B अभिव्यक्ति और डाउनस्ट्रीम माइक्रोग्लियल इम्यून पाथवे के माध्यम से कार्य करता है।

4. महत्व और दावे

यह पेपर दावा करता है कि यह एक नया डेटा फ्यूजन फ्रेमवर्क पेश करता है जो उन स्थितियों में कारण मध्यस्थता प्रभावों की पहचान को बहाल करता है जहाँ मध्यस्थ और परिणाम कभी भी संयुक्त रूप से प्रेक्षित नहीं किए जाते हैं और अपरिवर्तित कन्फाउंडिंग मौजूद होती है।

• डेटा सीमाओं को दूर करना: यह आधुनिक एकीकृत जीनोमिक्स और स्वास्थ्य विज्ञान के एक व्यापक मुद्दे को संबोधित करता है जहाँ डेटा साइलो (data silos) प्रमुख चरों के संयुक्त प्रेक्षण को रोकते हैं।
• अपरिवर्तित कन्फाउंडिंग के प्रति मजबूती: मानक मध्यस्थता विश्लेषण के विपरीत, जिसे अपरिवर्तित कन्फाउंडर्स के बारे में कड़े अनुमानों की आवश्यकता होती है, यह विधि IVs और एक नो-इंटरेक्शन स्थिति का लाभ उठाती है ताकि $U \neq \emptyset$ होने पर भी प्रभावों की पहचान की जा सके।
• लचीलापन: यह विधि डेटा स्रोतों के बीच कोवेरिएट और एक्सपोज़र शिफ्ट को समायोजित करती है और उन मामलों को संभालती है जहाँ वैध IVs का सेट अज्ञात होता है।
• दक्षता: उपयुक्त स्थितियों के तहत अपने एस्टिमेटर्स को कुशल दिखाकर, यह सेमीपैरामीट्रिक एफिशिएंसी थ्योरी का उपयोग करता है, जो इन जटिल सेटिंग्स में निष्कर्ष (inference) के लिए एक कठोर सांख्यिकीय आधार प्रदान करता है।

लेखक इस कार्य को वास्तविक दुनिया के अध्ययनों के लिए एक आवश्यक प्रगति के रूप में देखते हैं जहाँ डेटा पूर्णता अप्राप्य है, जो "क्या यह काम करता है" के प्रश्न से आगे बढ़कर "यह किन मार्गों से काम करता है" तक ले जाता है, भले ही वातावरण खंडित (fragmented) क्यों न हो।