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

技術的概要：ゼロ過剰重み付き脳結合体解析のためのベイズ適応的潜在混合モデル

問題定義
複製された重み付きネットワーク、特に拡散 MRI（dMRI）に由来する構造的結合体において、標準的なネットワークモデルを不適切にする 2 つの普遍的な統計的課題が存在する。第一に、観測された隣接行列はゼロ過剰であり、多くのエッジは生物学的な欠如、トラクトグラフィの不確実性、または再現性の閾値により、正確にゼロとなっている。第二に、非ゼロのエッジ重みは高い変動性を示し、神経伝達の強度に関する科学的意味を有する。標準的なアプローチは、しばしばゼロを小さな連続的な重みとして扱うか、それらがランダムに欠損していると仮定し、トポロジーとエッジ強度の両方について較正されていない不確実性をもたらす。さらに、ALMA やテンソルブロックモデルなどの既存の手法は、通常、離散的なクラスター割り当てや直交制約を課すが、これはヒトの脳組織にはしばしば過度に制限的である。なぜなら、被験者は離散的なクラスではなく、勾配を持ち重なり合う結合モチーフの混合を表現するからである。

手法
著者は、疎な重み付き複製ネットワーク向けに設計された完全生成フレームワークである**ベイズ適応的潜在混合モデル（BALM）**を提案する。このモデルは、結合体データの特徴的な側面を以下の 3 つの中核的構成要素を通じて扱う：

1. 単体制約付き混合メンバーシップ：離散的なクラスタリングとは異なり、BALM は各被験者のネットワークを、$M$個の共有された低ランク潜在スコア行列の凸結合として表現する。被験者固有の異質性は、単体（$\Delta^{M-1}$）に制約された混合重み $W_\ell$ によって捉えられ、勾配を持つ脳組織をよりよく近似する連続的かつ重なり合うメンバーシップを可能にする。
2. 構造情報に基づく疎性を伴うハードル尤度：このモデルは、エッジの存在と条件付きエッジ強度をハードル構造を用いて明示的に分離する。
   • エッジの存在：確率 $\pi_{\ell,ij} = \text{logit}^{-1}(a_0 + a_1 \mu_{\ell,ij})$ を持つベルヌーイ分布でモデル化される。
   • エッジの強度：存在が条件付き（$Z_{\ell,ij}=1$）の場合、logit 変換された重みは、潜在平均 $\mu_{\ell,ij}$ を中心としたガウス分布（または頑健性のために学生 t 分布）に従う。
   • 結合パラメータ（$a_1$）：重要な特徴として、潜在強度とエッジの存在を結びつけるパラメータ $a_1$ が挙げられる。$a_1=0$ なら、疎性は結合性と独立である。$a_1 \neq 0$ なら、トポロジカルなゼロは弱い潜在結合性に関する情報を含む。
3. 低ランク潜在テンプレート：潜在平均は、共有された低ランクテンプレート $S_m = \tau U_m \text{diag}(\gamma_m) U_m^\top$ の混合から構成される。ここで、$U_m$ は正規直交基底ベクトルであり、$\gamma_m$ は潜在モードの大きさを制御する。

計算と推論
非線形制約（$U_m$ の直交性、$W_\ell$ の単体制約）のため、閉形式の事後分布は利用できない。著者は、制約のない座標上でノ・Uターンサンプラー（NUTS）を用いた**変換ハミルトニアンモンテカルロ（HMC）**を採用する。変換には、単体重みに対する加法的対数比座標、正のスカラーに対する対数変換、および正規直交行列に対する QR 誘発ステフェル構成が含まれる。テンプレート数 $M$ に関するモデル選択には、エッジごとの広適用情報基準（WAIC）、保持済みリンク予測（AUC）、および独立した実行間の一貫性安定性という多基準戦略が用いられる。

理論的貢献
複製ネットワーク数が増加する（$L \to \infty$）固定テンプレートシナリオにおいて、本論文は（ラベルのスイッチングとスペクトル対称性を考慮した）識別可能な商空間推定量に対して、いくつかの漸近的保証を確立する：

• 事後の一貫性：真のパラメータ（置換を除く）の事後確率は 1 に収束する。
• 局所漸近正規性（LAN）：対数尤度は真の値の周りで二次展開可能である。
• ベルンシュタイン・フォン・ミーゼス近似：事後分布は、最大尤度推定量を中心とし、共分散がフィッシャー情報行列の逆行列に等しいガウス分布に収束する。
• 予測的一貫性：事後予測分布は、真のデータ生成分布に収束する。
• 条件付き収縮：固定された被験者について、混合重みの事後分布は、エッジ数 $P$ が増加するにつれて $O_P(1/\sqrt{P})$ の速度で収縮する。

実証結果

• シミュレーション：BALM は ALMA およびテンソルブロックモデルと比較された。高い混合メンバーシップ（重なり合うコミュニティ）を持つ設定において、BALM はテンプレート回復とクラスタリング安定性（調整ランダム指数）において、ハードクラスタリングのベースラインを著しく上回った。近似的に離散的なシナリオではハードクラスタリングモデルがわずかに優れていたが、BALM は同等のパフォーマンスを維持した。決定的な点として、BALM は連続的なエッジ重みを回復する能力において、トポロジーのみのベースラインを大幅に上回り、非ゼロチャネルを明示的にモデル化する利点を示した。
• ヒト結合体プロジェクト（HCP）への適用：HCP S1200 リリースの 1065 人の被験者（68 ノード）に適用され、モデルは安定した潜在構造的テンプレートを回復した。
  • 頑健性：重み分布の重たい尾部を処理するため、連続チャネルに対して学生 t 尤度が使用された。
  • 解釈可能性：直交制約によりデフォルトモードや体性感覚運動などの異なるネットワークを単一の混合テンプレートに強制した ALMA と異なり、BALM はこれらを、勾配を持つ重なりを持つ個別で解釈可能なモチーフに解離させた。
  • 行動分析：回復されたテンプレートには、行動変数（例：ポジティブ・アフェクト、空間方向性）が注釈付けられた。著者は、これらの関連性は大きさにおいて小さく、認知軸との整合性を確認するための探索的注釈として機能し、確認的なバイオマーカーの主張ではないと指摘する。

意義と主張
本論文は、ゼロを欠損データまたは小さな重みとして扱う落とし穴を回避する、疎な重み付きネットワークのための原理的な統計フレームワークとして BALM を提供するとしている。エッジの存在を強度から分離し、連続的な混合メンバーシップを可能にすることで、このモデルは以下の点を提供する：

1. 較正された不確実性：トポロジー、重み、疎性パラメータに対する不確実性の適切な定量化。
2. 結合体における科学的妥当性：構造的欠如と弱い結合性を区別するメカニズム。これは dMRI データの解釈に不可欠である。
3. 柔軟性：以前の手法の制限的な直交制約なしに、安定した異質的な被験者レベルの混合を回復する能力。

著者は、モデルが安定した潜在パターンを回復する一方で、HCP 適用において観察された行動相関は記述的かつ探索的であり、脳と行動のメカニズム的関係としての過剰解釈を避けていることを強調している。また、このフレームワークは、社会的相互作用や金融フローなどの他のゼロ過剰重み付きネットワークにも適用可能であると指摘されている。