PathFinder: Joint Decompositions of Linked Multimodal Datasets

Il cervello umano è un paesaggio vasto e intricato, e gli scienziati cercano da tempo di mapparne i modelli nascosti. Per farlo, spesso raccolgono dati da molteplici angolazioni: scansionando l'attività elettrica del cervello, misurando il flusso sanguigno o persino esaminando i geni che lo plasmano. Ognuno di questi metodi produce una massiccia griglia di numeri, un'istantanea del cervello da una specifica prospettiva. Per anni, i ricercatori hanno utilizzato strumenti matematici per scomporre queste griglie, cercando le strutture semplici e sottostanti che si ripetono attraverso il rumore. Questi strumenti sono potenti perché sono puramente guidati dai dati; non hanno bisogno di uno script pre-scritto che dica loro cosa cercare, permettendo di rivelare connessioni nascoste in sistemi complessi come il cervello. Tuttavia, un ostacolo significativo è sempre esistito: questi strumenti richiedono generalmente che tutti i dati confrontati condividano una caratteristica comune, come lo stesso gruppo di persone o le stesse regioni cerebrali. Se si prova a confrontare il cervello di un essere umano con quello di una scimmia, o se si hanno dati per alcune persone ma non per altre, i metodi standard spesso falliscono perché le griglie non si allineano.

Un team di ricercatori dell'Università di Oxford ha sviluppato un nuovo approccio per risolvere questo problema, un metodo che chiamano PathFinder. Il loro lavoro affronta un limite fondamentale nel modo in cui gli scienziati combinano diversi tipi di dati cerebrali. Immaginate di cercare di risolvere un puzzle in cui i pezzi provengono da scatole diverse e alcuni pezzi mancano del tutto. I metodi tradizionali insisterebbero affinché ogni pezzo si incastri perfettamente in un unico telaio predefinito. PathFinder, al contrario, è più flessibile. Si rende conto che anche se l'intera collezione di dati non condivide una dimensione comune, gruppi più piccoli all'interno dei dati potrebbero comunque sovrapporsi. Finché esiste una catena di connessioni — un percorso — che collega un pezzo di dato a un altro, il metodo può intrecciarli tutti in un'unica immagine coerente. Ciò consente agli scienziati di trovare modelli comuni tra specie diverse, diversi tipi di scansioni o persino dataset in cui alcune informazioni sono mancanti, senza forzare i dati a rientrare in una struttura rigida che non possiedono naturalmente.

I ricercatori hanno dimostrato la potenza di questo nuovo metodo attraverso una serie di test, partendo da simulazioni al computer. Hanno creato una griglia di sei diversi set di dati, rappresentanti due tipi di misurazioni attraverso tre diversi gruppi. Nel loro test, hanno deliberatamente rimosso due di questi set di dati, fingendo che fossero mancanti, e hanno chiesto all'algoritmo di capire come dovrebbero apparire quei pezzi mancanti basandosi sui quattro rimanenti. Il metodo ha avuto successo, ricostruendo accuratamente i dati mancanti e superando persino le tecniche precedenti quando i dati erano rumorosi. Ciò ha dimostrato che il metodo può non solo trovare modelli in ciò che è presente, ma può anche predire ciò che è assente, colmando efficacemente i vuoti di un puzzle complesso utilizzando la logica dei pezzi circostanti.

Per vedere se questo funzionava nel mondo reale, il team ha applicato PathFinder a scansioni cerebrali reali del Human Connectome Project. In un esperimento, hanno esaminato i dati di un compito visivo in cui i soggetti guardavano cunei rotanti e barre in movimento su uno schermo. Avevano registrazioni dell'attività cerebrale e dei pattern visivi stessi, organizzati in una griglia di sei diverse sessioni. Hanno poi nascosto un pattern visivo specifico — il cuneo rotante in senso antiorario — dal computer. Utilizzando solo i dati cerebrali e gli altri cinque pattern visivi, PathFinder ha predetto con successo il pattern visivo mancante. Il risultato è stato così preciso che l'immagine predetta corrispondeva quasi perfettamente allo stimolo reale. Tuttavia, quando hanno provato lo stesso trucco ma hanno rimosso metà dei dati cerebrali, la predizione è fallita, mostrando che il metodo dipende dall'avere abbastanza informazioni connesse per costruire un ponte affidabile attraverso le lacune.

Il team ha anche dimostrato che PathFinder è un framework generale capace di fare ciò che diversi metodi esistenti, più complicati, possono fare, ma in un modo più semplice e unificato. Ad esempio, una tecnica comune chiamata regressione duale, utilizzata per mappare le reti cerebrali nelle singole persone, può essere ricreata usando PathFinder in un unico passaggio. Ciò suggerisce che Pathmente non è solo un nuovo trucco, ma un ombrello più ampio sotto il quale possono collocarsi molti metodi precedenti, offrendo un modo più flessibile per gestire dati che non si adattano perfettamente a una singola scatola.

Forse l'applicazione più sorprendente ha riguardato lo studio dei loop nel cervello che collegano la corteccia a strutture più profonde come il talamo e i gangli della base. Queste connessioni formano un ciclo, come una strada circolare, dove l'informazione fluisce da una regione alla successiva e infine ritorna al punto di partenza. I ricercatori hanno utilizzato dati di diffusione MRI da dieci soggetti umani per mappare le connessioni strutturali tra queste regioni. Hanno disposto i dati in modo da riflettere questo flusso circolare, creando una catena di matrici in cui ciascuna condivideva una dimensione con la vicina. Applicando PathFinder a questa disposizione ciclica, sono stati in grado di scoprire i tre principali percorsi funzionali all'interno di questi loop: il percorso motorio, il percorso associativo e il percorso limbico. Il metodo ha raggruppato con successo i voxel cerebrali in questi circuiti distinti, rivelando un'organizzazione anatomica chiara che corrispondeva a ciò che gli scienziati già sapevano di questi sistemi cerebrali.

I ricercatori avvertono con cura che, sebbene il metodo sia potente, non è una bacchetta magica che risolve ogni problema istantaneamente. La natura matematica della decomposizione significa che i risultati possono talvolta essere ambigui, richiedendo passaggi extra per renderli unici e facili da interpretare. Nei loro esperimenti, hanno utilizzato un processo di follow-up per ruotare i risultati in una forma più comprensibile, il che ha aiutato a recuperare le vere strutture sottostanti nelle loro simulazioni e a produrre mappe anatomicamente sensate nei dati reali. Essi riconoscono anche che l'attuale versione dello strumento funziona meglio quando i dati possono essere disposti in una griglia bidimensionale, sebbene abbiano già iniziato a pensare a come espanderlo per gestire dati più complessi, multidimensionali e persino relazioni non lineari.

In definitiva, questo lavoro apre la porta al confronto tra cervelli attraverso specie e scale in modi che prima erano impossibili. Poiché il metodo non richiede una corrispondenza uno a uno tra ogni singolo dato, permette ai ricercatori di utilizzare i dati di una specie, come una scimmia, per aiutare a interpretare i dati di un'altra, come l'uomo, anche se non dispongono delle stesse misurazioni esatte per entrambi. Trasforma la sfida dei dati mancanti o incompatibili in un'opportunità per trovare modelli condivisi attraverso il mondo biologico. Fornendo un modo per collegare dataset disparati attraverso semplici connessioni sovrapposte, PathFinder offre una nuova lente attraverso la quale osservare la natura complessa e interconnessa del cervello, trasformando frammenti di informazione in una storia unificata di come pensiamo, ci muoviamo e sentiamo.