A Bayesian Adaptive Latent Mixture Model for Zero-Inflated Weighted Brain Connectome Analysis

Riepilogo Tecnico: Un Modello di Miscela Latente Adattivo Bayesiano per l'Analisi del Connessoma Cerebrale Ponderato con Inflazione di Zeri

Enunciato del Problema
Le reti replicate ponderate, in particolare nel connessoma strutturale derivato dalla risonanza magnetica a diffusione (dMRI), presentano due sfide statistiche pervasive che rendono inadeguati i modelli di rete standard. In primo luogo, le matrici di adiacenza osservate sono fortemente influenzate da zeri; molti spigoli sono esattamente zero a causa dell'assenza biologica, dell'incertezza nella tracciografia o delle soglie di riproducibilità. In secondo luogo, i pesi degli spigoli non nulli mostrano un'alta variabilità e portano un significato scientifico riguardo alla forza della comunicazione neurale. Gli approcci standard spesso trattano gli zeri come piccoli pesi continui o assumono che siano mancanti a caso, portando a una calibrazione errata dell'incertezza sia per la topologia che per la forza degli spigoli. Inoltre, i metodi esistenti come ALMA o i modelli a blocchi tensoriali impongono tipicamente assegnazioni di cluster discrete o vincoli ortogonali, che sono spesso troppo restrittivi per l'organizzazione del cervello umano, dove i soggetti esprimono miscele graduate e sovrapposte di motivi di connettività piuttosto che classi discrete.

Metodologia
Gli autori propongono il Modello di Miscela Latente Adattivo Bayesiano (BALM), un framework completamente generativo progettato per reti replicate sparse, ponderate. Il modello affronta le caratteristiche specifiche dei dati del connessoma attraverso tre componenti fondamentali:

1. Appartenenza Mista Vincolata al Simplex: A differenza del clustering discreto, BALM rappresenta la rete di ciascun soggetto come una combinazione convessa di $M$ matrici di punteggio latente condivise e a basso rango. L'eterogeneità specifica del soggetto è catturata tramite pesi di miscelazione $W_\ell$ vincolati a un simplex ($\Delta^{M-1}$), permettendo appartenenze continue e sovrapposte che approssimano meglio l'organizzazione cerebrale graduale.
2. Verosimiglianza Hurdle con Sparsità Informata dalla Struttura: Il modello separa esplicitamente l'esistenza dello spigolo dalla forza condizionale dello spigolo utilizzando un'architettura hurdle.
   • Esistenza dello Spigolo: Modellata tramite una distribuzione Bernoulliana con probabilità $\pi_{\ell,ij} = \text{logit}^{-1}(a_0 + a_1 \mu_{\ell,ij})$.
   • Forza dello Spigolo: Condizionata all'esistenza ($Z_{\ell,ij}=1$), i pesi trasformati in logit seguono una distribuzione Gaussiana (o Student-t per robustezza) centrata sulla media latente $\mu_{\ell,ij}$.
   • Parametro di Accoppiamento ($a_1$): Una caratteristica chiave è il parametro $a_1$, che governa l'accoppiamento tra la forza latente e l'esistenza dello spigolo. Se $a_1=0$, la sparsità è indipendente dalla connettività; se $a_1 \neq 0$, gli zeri topologici sono informativi riguardo a una debole connettività latente.
3. Template Latenti a Basso Rango: Le medie latenti sono costruite a partire da una miscela di template condivisi a basso rango $S_m = \tau U_m \text{diag}(\gamma_m) U_m^\top$, dove $U_m$ sono vettori di base ortonormali e $\gamma_m$ controlla la magnitudine delle modalità latenti.

Computazione e Inferenza
A causa di vincoli non lineari (ortogonalità di $U_m$, vincoli di simplex su $W_\ell$), le distribuzioni posteriori in forma chiusa non sono disponibili. Gli autori impiegano il Metropolis-Hastings Hamiltoniano Trasformato (HMC) con un Campionatore No-U-Turn (NUTS) su coordinate non vincolate. Le trasformazioni includono coordinate log-ratio additive per i pesi del simplex, trasformazioni logaritmiche per gli scalari positivi e una costruzione Stiefel indotta da QR per le matrici ortonormali. La selezione del modello per il numero di template $M$ utilizza una strategia multi-criterio: il Criterio di Informazione Applicabile in Modo Ampio (WAIC) per spigolo, la previsione di link su dati tenuti fuori (AUC) e la stabilità del consenso su esecuzioni indipendenti.

Contributi Teorici
In uno scenario a template fissi con un numero crescente di reti replicate ($L \to \infty$), il documento stabilisce diverse garanzie asintotiche per un estimatore dello spazio quoziente identificabile (tenendo conto dello switching delle etichette e delle simmetrie spettrali):

• Consistenza Posteriore: La probabilità posteriore del parametro vero (modulo permutazione) converge a 1.
• Normalità Asintotica Locale (LAN): La log-verosimiglianza ammette un'espansione quadratica attorno al vero valore.
• Approssimazione di Bernstein–von Mises: La distribuzione posteriore converge a una distribuzione Gaussiana centrata sullo stimatore di massima verosimiglianza con covarianza uguale all'inverso dell'informazione di Fisher.
• Consistenza Predittiva: La distribuzione predittiva posteriore converge alla vera distribuzione generatrice dei dati.
• Contrazione Condizionale: Per un soggetto fisso, la posteriore dei pesi di miscelazione contrae a un tasso di $O_P(1/\sqrt{P})$ all'aumentare del numero di spigoli $P$.

Risultati Empirici

• Simulazioni: BALM è stato confrontato con ALMA e un modello a blocchi tensoriali. In scenari con alta appartenenza mista (comunità sovrapposte), BALM ha superato significativamente le linee di base di clustering rigido nel recupero dei template e nella stabilità del clustering (Indice Rand Aggiustato). Mentre i modelli di clustering rigido hanno performato leggermente meglio in scenari quasi discreti, BALM ha mantenuto prestazioni comparabili. Crucialmente, BALM ha superato sostanzialmente le linee di base basate solo sulla topologia nel recupero dei pesi degli spigoli continui, dimostrando il beneficio della modellazione esplicita del canale non nullo.
• Applicazione al Human Connectome Project (HCP): Applicato a $L=1065$ soggetti dalla release HCP S1200 (68 nodi), il modello ha recuperato template strutturali latenti stabili.
  • Robustezza: È stata utilizzata una verosimiglianza Student-t per il canale continuo per gestire distribuzioni di pesi a code pesanti.
  • Interpretabilità: A differenza di ALMA, che forzava reti distinte (ad esempio, modalità di default e somatomotoria) in singoli template misti a causa dei vincoli di ortogonalità, BALM ha disaccoppiato queste reti in motivi separati e interpretabili con sovrapposizioni graduate.
  • Analisi Comportamentale: I template recuperati sono stati annotati con variabili comportamentali (ad esempio, Affetto Positivo, Orientamento Spaziale). Gli autori notano che queste associazioni sono di piccola entità e servono strettamente come annotazioni esplorative per verificare l'allineamento con gli assi cognitivi, non come affermazioni confermate di biomarcatori.

Significato e Affermazioni
Il documento afferma che BALM fornisce un framework statistico principiato per le reti ponderate sparse che evita le insidie di trattare gli zeri come dati mancanti o piccoli pesi. Disaccoppiando l'esistenza dello spigolo dalla forza e permettendo un'appartenenza mista continua, il modello offre:

1. Incertezza Calibrata: Una quantificazione appropriata dell'incertezza per topologie, pesi e parametri di sparsità.
2. Validità Scientifica nel Connessoma: Un meccanismo per distinguere tra assenza strutturale e connettività debole, che è critico per l'interpretazione dei dati dMRI.
3. Flessibilità: La capacità di recuperare miscele stabili ed eterogenee a livello di soggetto senza i vincoli di ortogonalità restrittivi dei metodi precedenti.

Gli autori sottolineano che, sebbene il modello recuperi pattern latenti stabili, le correlazioni comportamentali osservate nell'applicazione HCP sono descrittive ed esplorative, evitando un'interpretazione eccessiva come relazioni meccanicistiche cervello-comportamento. Il framework è inoltre notato come applicabile ad altre reti ponderate con inflazione di zeri, come interazioni sociali o flussi finanziari.