PathFinder: Joint Decompositions of Linked Multimodal Datasets

Het menselijk brein is een uitgestrekt, ingewikkeld landschap, en wetenschappers proberen al lang de verborgen patronen ervan in kaart te brengen. Om dit te doen, verzamelen ze vaak gegevens vanuit veel verschillende hoeken: door de elektrische activiteit van het brein te scannen, de bloeddoorstroming te meten, of zelfs te kijken naar de genen die het vormgeven. Elk van deze methoden produceert een enorme raster van getallen, een momentopname van het brein vanuit een specifiek perspectief. Jarenlang hebben onderzoekers wiskundige hulpmiddelen gebruikt om deze rasters af te breken, op zoek naar de eenvoudige, onderliggende structuren die zich herhalen door de ruis heen. Deze instrumenten zijn krachtig omdat ze puur datagestuurd zijn; ze hebben geen vooraf geschreven script nodig om hen te vertellen waar ze naar moeten zoeken, waardoor ze verborgen verbindingen in complexe systemen zoals het brein kunnen onthullen. Er heeft echter altijd een aanzienlijke hindernis bestaan: deze instrumenten vereisen over het algemeen dat alle vergeleken gegevens een gemeenschappelijk kenmerk delen, zoals dezelfde groep mensen of dezelfde hersenregio's. Als je het brein van een mens probeert te vergelijken met dat van een aap, of als je gegevens hebt voor sommige mensen maar niet voor anderen, werken de standaardmethoden vaak niet meer omdat de rasters niet op elkaar aansluiten.

Een team onderzoekers aan de Universiteit van Oxford heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen, een methode die zij PathFinder noemen. Hun werk pakt een fundamentele beperking aan in de manier waarop wetenschappers verschillende soorten hersendata combineren. Stel je voor dat je probeert een puzzel op te lossen waarvan de stukjes uit verschillende dozen komen, en waarbij sommige stukjes zelfs helemaal ontbreken. Traditionele methoden zouden erop aandringen dat elk stukje perfect in één enkel, vooraf gedefinieerd kader past. PathFinder is daarentegen flexibeler. Het realiseert zich dat zelfs als de gehele collectie gegevens niet één gemeenschappelijke dimensie deelt, kleinere groepen binnen de data nog steeds kunnen overlappen. Zolang er een keten van verbindingen is—een pad—die een stukje data met een ander verbindt, kan de methode ze allemaal samenweven tot één coherent beeld. Dit stelt wetenschappers in staat om gemeenschappelijke patronen te vinden over verschillende soorten, verschillende soorten scans, of zelfs datasets waarbij bepaalde informatie ontbreekt, zonder de data te dwingen in een rigide structuur die zij van nature niet bezitten.

De onderzoekers demonstreerden de kracht van deze nieuwe methode via een reeks tests, beginnend met computersimulaties. Ze creëerden een raster van zes verschillende datasets, die twee soorten metingen over drie verschillende groepen vertegenwoordigden. In hun test verwijderden ze doelbewust twee van deze datasets, waarbij ze deden alsof ze ontbraken, en vroegen het algoritme om te achterhalen hoe die ontbrekende stukken eruit zouden moeten zien op basis van de resterende vier. De methode slaagde erin, door de ontbrekende data nauwkeurig te reconstrueren en zelfs ouderwetse technieken te overtreffen wanneer de data ruisig was. Dit bewees dat de methode niet alleen patronen kan vinden in wat aanwezig is, maar ook kan voorspellen wat afwezig is, door de gaten in een complexe puzzel effectief in te vullen met de logica van de omliggende stukjes.

Om te zien of dit in de echte wereld werkte, pasten het team PathFinder toe op werkelijke hersenscans uit het Human Connectome Project. In één experiment keken ze naar data van een visuele taak waarbij proefpersonen draaiende wiggen en bewegende balken op een scherm bekeken. Ze hadden opnames van de hersenactiviteit en de visuele patronen zelf, georganiseerd in een raster van zes verschillende runs. Vervolgens verborgen ze één specifiek visueel patroon—de tegen de klok in draaiende wig—voor de computer. Met behulp van alleen de hersendata en de andere vijf visuele patronen voorspelde PathFinder succesvol het ontbrekende visuele patroon. Het resultaat was zo precies dat de voorspelde afbeelding bijna perfect overeenkwam met de werkelijke stimulus. Echter, toen ze dezelfde truc probeerden maar de helft van de hersendata verwijderden, faalde de voorspelling, wat aantoonde dat de methode erover beschikt om voldoende verbonden informatie te hebben om een betrouwbare brug over de kloven te bouwen.

Het team toonde ook aan dat PathFinder een algemeen raamwerk is dat kan doen wat verschillende bestaande, complexere methoden doen, maar op een eenvoudigere, verenigde manier. Zo kan een veelvoorkomende techniek genaamd duale regressie, die wordt gebruikt om hersennetwerken bij individuele mensen in kaart te brengen, met PathFinder in één enkele stap worden gereproduceerd. Dit suggereert dat PathFinder niet slechts een nieuwe truc is, maar een breder paraplu-concept waaronder veel eerdere methoden kunnen vallen, wat een flexibelere manier biedt om met data om te gaan die niet netjes in één doos past.

Misschien wel de meest opvallende toepassing betrof de studie naar lussen in het brein die de cortex verbinden met diepere structuren zoals de thalamus en de basale ganglia. Deze verbindingen vormen een cyclus, zoals een ringweg, waarbij informatie van de ene regio naar de volgende stroomt en uiteindelijk terugkeert naar het beginpunt. De onderzoekers gebruikten diffusie-MRI-data van tien menselijke proefpersonen om de structurele verbindingen tussen deze regio's in kaart te brengen. Ze rangschikten de data op een manier die deze circulaire stroom weerspiegelde, waardoor ze een keten van matrices creëerden waarbij elke matrix een dimensie deelde met de buurman. Door PathFinder toe te passen op deze cyclische rangschikking, waren ze in staat om de drie belangrijkste functionele paden binnen deze lussen te onthullen: het motorische pad, het associatieve pad en het limbische pad. De methode groepeerde de hersenvoxels succesvol in deze afzonderlijke circuits, waardoor een duidelijke anatomische organisatie aan het licht kwam die overeenkwam met wat wetenschappers al wisten over deze hersensystemen.

De onderzoekers merken er voorzichtig bij op dat, hoewel de methode krachtig is, het geen toverstaf is die elk probleem direct oplost. Vanwege de wiskundige aard van de decompositie kunnen de resultaten soms ambigu zijn, wat extra stappen vereist om ze uniek en gemakkelijk interpreteerbaar te maken. In hun experimenten gebruikten ze een vervolgproces om de resultaten te roteren naar een begrijpelijker vorm, wat hen hielp de ware onderliggende structuren te herstellen en anatomisch zinvolle kaarten te produceren in de werkelijke data. Ze erkennen ook dat de huidige versie van het hulpmiddel het beste werkt wanneer data in een tweedimensionaal raster kan worden gerangschikt, hoewel ze al begonnen zijn met nadenken over hoe ze het kunnen uitbreiden om complexere, multidimensionale data en zelfs niet-lineaire relaties aan te kunnen.

Uiteindelijk opent dit werk de deur om hersenen over soorten en schalen heen te vergelijken op manieren die voorheen onmogelijk waren. Omdat de methode geen één-op-één match vereist tussen elk enkel datapunt, stelt het onderzoekers in staat om data van één soort, zoals een aap, te gebruiken om de data van een andere, zoals een mens, te helpen interpreteren, zelfs als ze niet exact dezelfde metingen voor beide hebben. Het verandert de uitdaging van ontbrekende of incompatibele data in een kans om gedeelde patronen over de biologische wereld heen te vinden. Door een manier te bieden om uiteenlopende datasets te koppelen via eenvoudige, overlappende verbindingen, biedt PathFinder een nieuwe lens om naar de complexe, onderling verbonden natuur van het brein te kijken, waarbij gefragmenteerde stukjes informatie worden omgezet in een verenigd verhaal over hoe we denken, bewegen en voelen.