PathFinder: Joint Decompositions of Linked Multimodal Datasets

人間の脳は広大で複雑な景観であり、科学者たちは長年、その隠されたパターンをマッピングしようと試みてきました。そのために、彼らはしばしば多角的な視点からデータを収集します。脳の電気活動をスキャンしたり、血流を測定したり、あるいは脳を形作る遺伝子を調べたりすることもあります。これらの手法のそれぞれは、特定の視点からの脳のスナップショットである、膨大な数値のグリッド（格子）を生み出します。長年、研究者たちはこれらのグリッドを分解し、ノイズの中に繰り返される単純で根底にある構造を探し出すために、数学的なツールを使用してきました。これらのツールが強力なのは、それらが純粋にデータ駆動型であり、何を探すべきかを指示する「あらかじめ書かれた台本」を必要としないためであり、それによって脳のような複雑なシステムにおける隠れたつながりを明らかにすることができるからです。しかし、大きな障害が常に存在していました。それは、これらのツールは一般的に、比較されるすべてのデータが、同じグループの人々や同じ脳領域といった共通の特徴を共有している必要があるということです。もしヒトの脳とサルの脳を比較しようとしたり、ある人についてはデータがあるが他の人についてはない場合、標準的な手法は、グリッドが一致しないためにしばしば破綻してしまいます。

オックスフォード大学の研究チームは、この問題を解決するための新しいアプローチ、彼らが「PathFinder」と呼ぶ手法を開発しました。彼らの研究は、異なる種類の脳データを組み合わせる際の根本的な限界に対処しています。異なる箱から来たパズルのピースを解こうとしている場面を想像してみてください。しかも、いくつかのピースは完全に欠けています。従来のメソッドは、すべてのピースが単一の、定義済みのフレームに完璧に適合しなければならないと主張します。対照的に、PathFinderはより柔軟です。それは、データ全体が共通の次元を共有していなくても、データ内の小さなグループ同士が重なり合っている可能性があることを理解しています。データの一つひとつを繋ぐ「経路（パス）」となる接続の連鎖さえあれば、この手法はそれらをすべて編み合わせ、一つの整合性のある絵を作り上げることができます。これにより、科学者は、データが自然に備えている硬直した構造を強制することなく、異なる種、異なる種類のスキャン、あるいは一部の情報が欠落しているデータセットの間で、共通のパターンを見つけ出すことができるのです。

研究者たちは、一連のコンピュータ・シミュレーションによるテストを通じて、この新手法の威力を実証しました。彼らは、3つの異なるグループにおける2種類の測定値を表す、6つの異なるデータセットのグリッドを作成しました。テストでは、それらのデータセットのうち2つを意図的に削除し、欠けているように見せかけ、残りの4つのデータに基づいて、それらの欠落したピースがどのような姿になるべきかをアルゴリズムに推測させました。この手法は成功し、欠落したデータを正確に再構成し、データにノイズが多い場合には従来の技術よりも優れた性能を発揮しました。これは、この手法が単に存在するパターンを見つけるだけでなく、欠落しているものを予測することもできること、つまり、周囲のピースの論理を用いて複雑なパズルの空白を効果的に埋めることができることを証明しました。

これが現実の世界でどのように機能するかを確認するため、チームは実際の「Human Connectome Project」の脳スキャンにPathFinderを適用しました。一つの実験では、被験者が回転するウェッジ（くさび形）や動くバーを画面で見ている視覚タスクのデータを用いました。彼らは、脳の活動の記録と、それに対応する視覚パターンを、6つの異なるラン（実行）として整理していました。そして、特定の視覚パターン（反時計回りに回転するウェッジ）をコンピュータから隠しました。脳のデータと他の5つの視覚パターンのみを使用して、Pathfinderは欠落した視覚パターンを正確に予測することに成功しました。その結果は非常に精密で、予測された画像は実際の刺激とほぼ完璧に一致しました。しかし、脳データの半分を削除して同じ試みを行ったところ、予測は失敗しました。これは、この手法が信頼できる架け橋を築くために、十分な接続情報を持っている必要があることを示しています。

チームはまた、PathFinderが、既存のより複雑な手法が成し遂げてきたことを、よりシンプルかつ統一的な方法で行える汎用的なフレームワークであることを示しました。例えば、個々の人間における脳ネットワークをマッピングするために用いられる「デュアル・レグレッション（二重回帰）」と呼ばれる一般的な手法は、Pathfinderを用いることで単一のステップで再現できます。このことは、Pathfinderが単なる新しい「手品」ではなく、多くの従来のメソッドがその下に収まることができる、より広範な「傘」のような存在であり、一つの箱に綺麗に収まらないデータを扱うための、より柔軟な方法を提供していることを示唆しています。

おそらく最も衝撃的な応用は、皮質と視床や基底核のような深部構造を結ぶ、脳内のループの研究に関連するものでした。これらの接続は、情報が次の領域へと流れ、最終的に出発点へと戻ってくる、環状道路のようなサイクルを形成しています。研究者たちは、10人のヒトの拡散MRIデータを使用して、これらの領域間の構造的接続をマッピングしました。彼らは、各行列が隣接するものと一つの次元を共有するように、循環的な流れを反映した形でデータを配置しました。この循環的な配置にPathFinderを適用することで、彼らは運動経路、連合経路、および辺縁系の3つの主要な機能的経路を明らかにすることができました。この手法は、脳のボクセルをこれらの明確な回路へとグループ化することに成功し、科学者がすでに知っている脳システムと一致する、明確な解剖学的組織を明らかにしました。

研究者たちは、この手法は強力ではあるものの、あらゆる問題を即座に解決する「魔法の杖」ではないことにも注意を払っています。分解の数学的な性質上、結果が時に曖昧になることがあり、それらを一意的かつ解釈しやすくするために追加のステップが必要になることがあります。実験において、彼らは結果をより理解しやすい形に回転させるフォローアップのプロセスを使用し、これによりシミュレーションにおける真の基礎構造を回収し、実データにおいて解剖学的に妥当なマップを作成することに成功しました。また、現在のバージョンのツールは、データが二次元のグリッドとして配置できる場合に最も効果的に機能しますが、すでに、より複雑な多次元データや非線形な関係を扱うための拡張についても検討を始めていることを認めています。

結局のところ、この研究は、以前は不可能であった、種やスケールを超えた脳の比較への扉を開くものです。この手法は、すべてのデータポイントに対して一対一の照合を必要としないため、例えばサルのような一種のデータを用いて、ヒトのような別の種のデータを解釈するのを助けることが可能になります。それは、欠落または不適合なデータを、生物界における共通のパターンを見つけ出すための機会へと変えるのです。バラバラのデータセットを単純な重複する接続を通じて結びつける方法を提供することで、Pathfinderは、私たちがどのように考え、動き、感じるのかという、複雑で相互に連結した脳の姿を、断片的な情報を統合された一つの物語へと変え、その姿を捉えるための新しいレンズを提供しています。