Mediator Selection in Linear and Nonlinear Mediation Analysis via Adaptive Measurement Errors Infusion

तकनीकी सारांश: अनुकूली मापन त्रुटि प्रविष्टि (Adaptive Measurement Errors Infusion) के माध्यम से रैखिक और गैर-रैखिक मध्यस्थता विश्लेषण में मध्यस्थ चयन

समस्या विवरण
मध्यस्थता विश्लेषण (Mediation analysis) उन तंत्रों की जांच करता है जिनके माध्यम से एक एक्सपोजर (exposure) किसी परिणाम को प्रभावित करता है। उच्च-आयामी सेटिंग्स में, जैसे कि जीनोमिक्स, शोधकर्ता अक्सर बड़े उम्मीदवार पूल से सक्रिय मध्यस्थों (mediators) को उनके प्रभावों का अनुमान लगाने से पहले चुनने की चुनौती का सामना करते हैं। मौजूदा चयन विधियाँ मुख्य रूप से रैखिक परिणाम मॉडलों के भीतर गुणांक-आधारित नियमितीकरण (coefficient-based regularization) पर निर्भर करती हैं (जैसे, HIMA, HDMA, RegSEM)। ये दृष्टिकोण महत्वपूर्ण सीमाओं का सामना करते हैं:

1. रैखिकता धारणाएँ (Linearity Assumptions): वे गैर-रैखिक मध्यस्थ-परिणाम संबंधों, जैसे कि द्विघात डोज़-रिस्पॉन्स पैटर्न या मध्यस्थों के बीच अंतःक्रियाओं (interactions) को समायोजित करने में संघर्ष करते हैं।
2. कमजोर या असंतुलित संकेत (Weak or Imbalanced Signals): वे विधियाँ जो केवल परिणाम मॉडल को दंडित (penalize) करती हैं, उनमें उच्च फाल्स-नेगेटिव दर हो सकती है जब मध्यस्थता संकेत एक्सपोजर-मध्यस्थ (exposure-mediator) और मध्यस्थ-परिणाम (mediator-outcome) पथों के बीच कमजोर या असमान रूप से वितरित होते हैं।
3. अंतःक्रिया जटिलता (Interaction Complexity): गुणांक-आधारित दंड उन मध्यस्थों को छोड़ सकता है जिनकी प्रासंगिकता एक्सपोजर-मध्यस्थ या मध्यस्थ-मध्यस्थ जैसी जटिल संरचनाओं पर निर्भर करती है।

कार्यप्रणाली (Methodology)
लेखक मापन त्रुटि मॉडलिंग (Measurement Error Modeling - MEM) सिद्धांत पर आधारित एक बहु-मध्यस्थ चयन ढांचे का प्रस्ताव करते हैं। सीधे गुणांकों को दंडित करने के बजाय, यह विधि एक मध्यस्थ के महत्व को इस बात से मापती है कि जब मध्यस्थ को नियंत्रित, कृत्रिम मापन त्रुटि द्वारा जानबूझकर विक्षेपित (perturbed) किया जाता है, तो संयुक्त मध्यस्थता प्रणाली का फिट (fit) कितना खराब होता है।

यह ढांचा यह सुनिश्चित करने के लिए दो चरणों में कार्य करता है कि एक मध्यस्थ दोनों एक्सपोजर-मध्यस्थ ($X \to M$) और मध्यस्थ-परिणाम ($M \to Y$) पथों के लिए प्रासंगिक है:

1. चरण 1 (व्यापक स्क्रीनिंग): एक संयुक्त MEM चयन संभावना (likelihood) को अनुकूलित किया जाता है ताकि एक व्यापक सेट के उम्मीदवारों की पहचान की जा सके, जिसमें "अर्ध-मध्यस्थ" (semi-mediators) भी शामिल हैं जो केवल एक पथ में सक्रिय हैं।
2. चरण 2 (परिष्करण/Refinement): एक्सपोजर-मध्यधर और मध्यस्थ-परिणाम घटकों को अलग-अलग अनुकूलित किया जाता है। अंतिम सेट दोनों पथ-विशिष्ट चयनों का प्रतिच्छेदन (intersection) है, जो यह सुनिश्चित करता है कि रिटेन किए गए चर दोनों पथों में योगदान देते हैं।

लेखक दो विशिष्ट कार्यान्वयन प्रस्तुत करते हैं:

• अनुकूली रैखिक MEM (Adaptive Linear MEM):

  • यह एक रैखिक मध्यस्थता प्रणाली मानता है जहाँ $M = \alpha X + \epsilon_m$ और $Y = \beta_x X + \beta_m' M + \epsilon_y$ है।
  • प्रत्येक मध्यस्थ $M_j$ में $1/\lambda_j$ विचरण (variance) के साथ स्वतंत्र गौसियन मापन त्रुटि इंफ्यूज करता है।
  • मध्यस्थों के बीच एक सीमित "परिशुद्धता बजट" ($\sum \bar{w}_j \lambda_j \le \tau$) आवंटित करता है।
  • गुणांकों के गुणनफल ($|\hat{\alpha}_j \hat{\beta}_{mj}|$) के प्रारंभिक अनुमानों के आधार पर अनुकूली भार ($\bar{w}_j$) का उपयोग करता है। मजबूत प्रारंभिक संकेत वाले मध्यस्थों को छोटे भार दिए जाते हैं, जिससे उन्हें अधिक परिशुद्धता (कम त्रुटि) बनाए रखने और चुने जाने की अनुमति मिलती है।
  • चयन अनुमानित परिशुद्धताओं ($\hat{\lambda}_j$) की रैंकिंग द्वारा संचालित होता है, जिसे L-BFGS के माध्यम से अनुकूलित किया जाता है, और मॉडल चयन को एक प्लग-इन BIC-प्रकार के मानदंड द्वारा निर्देशित किया जाता है।

• अनुकूली कर्नेल MEM (Adaptive Kernel MEM - गैर-रैखिकता के लिए):

  • यह गैर-रैखिक मध्यस्थ-परिणाम संबंधों ($Y = h(X, M) + \epsilon_y$) के लिए MEM सिद्धांत का विस्तार करता है जहाँ $h(\cdot)$ निर्दिष्ट नहीं है।
  • यह रैखिक एक्सपोजर-मध्यस्थ मॉडल को बनाए रखता है लेकिन परिणाम मॉडल में त्रुटि परिशुद्धता को कर्नेल रिग्रेशन फ्रेमवर्क (MEKRO) में मध्यस्थ-विशिष्ट इन्वर्स बैंडविड्थ ($\lambda_j$) से बदल देता है।
  • कर्नेल फंक्शन को $K_\lambda(z, z') = K_X(x, x') \prod_{j=1}^p \exp(-\lambda_j^2 (m_j - m'_j)^2 / 2)$ के रूप में परिभाषित किया गया है।
  • तंत्र (Mechanism): एक सूचनात्मक समन्वय (coordinate) को ओवरस्मूथिंग (बड़ी बैंडविड्थ, छोटा $\lambda_j$) करने से मॉडल फिट काफी खराब हो जाता है, जबकि एक अप्रासंगिक समन्वय को ओवरस्मूथ करने का बहुत कम प्रभाव पड़ता है।
  • अनुकूली भार (Adaptive Weights): एक्सपोजर-मध्यस्थ रिग्रेशन से इन-सैंपल $R^2$ माप और कर्नेल रिज रिग्रेशन के परिणाम मॉडल से एक मध्यस्थ को हटाने पर $R^2$ में परिवर्तन का उपयोग करके निर्मित किए जाते हैं।
  • चयन में भविष्यवाणी त्रुटि को कम करने के लिए एक बाधा-युक्त अनुकूलन (constrained optimization) को हल करना शामिल है, जिसके बाद अनुकूल बजट $\tau$ चुनने के लिए प्रूनिंग (pruning) और जनरलाइज्ड क्रॉस-वैलिडेशन (GCV) का उपयोग किया जाता है।

प्रमुख योगदान

1. नया चयन सिद्धांत: लेखक मध्यस्थ प्रासंगिकता को प्रत्यक्ष गुणांक दंड के बजाय नियंत्रित विक्षेपण (controlled perturbations/error infusion) के प्रति संयुक्त प्रणाली की संवेदनशीलता के माध्यम से परिभाषित करते हैं।
2. संयुक्त पथ एकीकरण: रैखिक MEM प्रक्रिया दोनों पथों से जानकारी को एक संयुक्त संभावना (joint likelihood) के माध्यम से एकीकृत करती है, जो एक अनुकूली त्रुटि-आवंटन तंत्र प्रदान करती है जो विशेष रूप से कमजोर या असंतुलित संकेतों के मामले में मजबूत है।
3. गैर-रैखिक विस्तार: कर्नेल MEM विस्तार बिना किसी पूर्व-निर्दिष्ट कार्यात्मक रूप के गैर-रैखिक और इंटरैक्टिव मध्यस्थ-परिणाम संरचनाओं को समायोजित करता है, जो मौजूदा गुणांक-आधारित विधियों के एक बड़े अंतर को संबोधित करता है।

परिणाम

• रैखिक सिमुलेशन (सेटिंग S1): रैखिक MEM प्रक्रिया स्थापित विधियों (HIMA, HDMA, RegSEM) के प्रतिस्पर्धी रही। इसने प्रतिस्पर्धियों की तुलना में मामूली बढ़त दिखाई जब मध्यस्थ अवशेष (residuals) सह-संबंधित थे ($\rho=0.5$), जो संभवतः कई मध्यस्थों के संयुक्त मॉडलिंग के कारण था। इसने वास्तविक मध्यस्थों को 'नल' (null) से प्रभावी ढंग से अलग किया, लेकिन अन्य विधियों की तरह, कभी-कभी "केवल-एक्सपोजर" अर्ध-मध्यस्थों को भी बनाए रखा।
• गैर-रैखिक सिमुलेशन (सेटिंग S2–S4):
  • द्विघात प्रभाव (S2): कर्नेल MEM ने द्विघात प्रभावों (जैसे, $M_1^2$) वाले मध्यस्थों को चुनने में रैखिक विधियों और एक जेनेरिक कर्नेल रिज रिग्रेशन (KRR) महत्व बेंचमार्क की तुलना में काफी बेहतर प्रदर्शन किया।
  • अंतःक्रिया (S3, S4): कर्नेल MEM ने एक्सपोजर-मध्यस्थ ($X \times M$) और मध्यस्थ-मध्यस्थ ($M_1 \times M_4$) अंतःक्रियाओं में शामिल मध्यस्थों का पता लगाने में स्पष्ट लाभ दिखाया।
  • तुलना: अधिकांश सेटिंग्स में, कर्नेल MEM ने रैखिक विधियों और KRR महत्व तुलनाकार की तुलना में गैर-रैखिक मध्यस्थों को अधिक बार चुना, विशेष रूप से कमजोर सिग्नल-टू-नॉइज़ अनुपात के तहत।
• डेटा अनुप्रयोग (DNA मिथाइलेशन): बचपन के आघात (childhood trauma) और वयस्क कोर्टिसोल स्ट्रेस रिएक्टिविटी (385,882 CpG साइट्स, जिन्हें 213 उम्मीदवारों तक छांटा गया) के अध्ययन पर लागू किया गया:
  • रैखिक MEM: 8 लोकी (loci) चुने, जिनमें से तीन पिछले अध्ययनों (जैसे, ZSCAN30, RAB5IF, CTDSP2) के निष्कर्षों के साथ ओवरलैप करते हैं।
  • कर्नेल MEM: 3 लोकी चुने, जिनमें PRRC2A (पिछले अध्ययनों के साथ ओवरलैप) और PIGQ (जो रैखिक MEM द्वारा भी चुना गया था) शामिल हैं।
  • विधियों ने जैविक रूप से प्रशंसनीय उम्मीदवारों की पहचान की जो दोनों पथों में साक्ष्य द्वारा समर्थित थे।

महत्व और दावे
लेखक दावा करते हैं कि प्रस्तावित MEM ढांचा रैखिक और गैर-रैखिक दोनों सेटिंग्स में बहु-मध्यस्थ चयन के लिए एक व्यावहारिक, सिद्धांत-आधारित दृष्टिकोण प्रदान करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

• गैर-रैखिकता के प्रति मजबूती: यह थ्रेशोल्ड प्रभावों, द्विघात पैटर्न या अंतःक्रियाओं द्वारा संचालित मध्यस्थों का पता लगाने के लिए गुणांक-आधारित विधियों के विकल्प के रूप में एक व्यवहार्य विकल्प प्रदान करता है।
• असंतुलित संकेतों को संभालना: अनुकूली भार और संयुक्त मॉडलिंग दोनों पथों के बीच असमान रूप से विभाजित संकेतों वाले मध्यस्थों का बेहतर पता लगाने की अनुमति देते हैं।
• प्राथमिकता निर्धारण: लेखक इस पद्धति को सीधे कारण प्रभाव अनुमान या निष्कर्ष (inference) के उपकरण के बजाय, जैविक परिकल्पनाओं को उत्पन्न करने और डाउनस्ट्रीम अनुमान के लिए वेरिएबल सेट को कम करने के लिए एक प्राथमिकता निर्धारण चरण के रूप में देखते हैं।

लेखक मध्यम-आयामी समस्याओं (जिसके लिए एक अपस्ट्रीम स्क्रीनिंग चरण की आवश्यकता होती है), पोस्ट-सिलेक्शन इन्फरेंस प्रक्रियाओं की कमी, और इस तथ्य को स्वीकार करते हैं कि यह विधि कारण प्रभाव अनुमान के बजाय अनुभवजन्य समर्थन को प्राथमिकता देती है। वे यह भी नोट करते हैं कि कर्नेल विस्तार चयनित मध्यस्थ के प्रभाव के विशिष्ट कार्यात्मक रूप को पुनः प्राप्त नहीं करता है।