Optimization of Community-Consideration Centrality for Breast Cancer Comorbidity Using Various Community Detection Algorithms

In het complexe landschap van de menselijke gezondheid bestaan ziekten zelden in isolatie. Een patiënt met de diagnose borstkanker heeft vaak ook andere medische aandoeningen, zoals een hoge bloeddruk of diabetes, die de behandeling kunnen compliceren en de overlevingskans kunnen beïnvloeden. Wetenschappers bestuderen deze verbanden, bekend als comorbiditeiten, al lang om te begrijpen hoe verschillende ziekten binnen één persoon met elkaar interageren. Om deze relaties te visualiseren, brengen onderzoekers ziekten vaak in kaart als punten in een netwerk, waarbij zij lijnen tussen hen trekken om aan te tonen hoe vaak ze samen voorkomen. Binnen deze netwerken fungeren sommige ziekten als belangrijke knooppunten (hubs), die verbonden zijn met vele anderen, terwijl andere dienen als bruggen die verschillende groepen aandoeningen met elkaar verbinden. Traditioneel hebben wetenschappers het belang van een ziekte gemeten door het aantal directe verbindingen te tellen of door te kijken hoe snel deze andere punten in het netwerk kan bereiken. Deze benadering laat echter een cruciaal detail vaak ongemerkt: ziekten hebben de neiging om zich te clusteren in natuurlijke groepen, vergelijkbaar met buurten in een stad, waar aandoeningen binnen dezelfde groep diepere, specifiekere banden delen dan met de rest van het netwerk. Het negeren van deze buurten kan leiden tot een onvolledig beeld van welke ziekten werkelijk centraal staan in de gezondheidstraject van een patiënt.

Een team van onderzoekers aan de Universiteit van Multimedia Nusantara in Indonesië zette zich in om de identificatie van deze belangrijke ziekten te verfijnen. Zij richtten zich op het specifieke web van condities die vaak gepaard gaan met borstkanker. In plaats van het gehele netwerk als een enkele, platte kaart te beschouwen, pasten zij een methie toe die recht doet aan de natuurlijke clusters binnen de data. Zij behandelden het netwerk als een verzameling gemeenschappen, waarbij zij erkenden dat een ziekte essentieel kan zijn binnen zijn eigen lokale groep, zelfs als deze niet de meeste verbindingen heeft in totaal. Hiervoor testten zij vier verschillende wiskundige benaderingen voor het vinden van deze groepen, waarbij zij vergeleken hoe elk algoritme de ziekten organiseerde. Vervolgens gebruikten zij een nieuwe manier om belangrijkheid te berekenen die twee perspectieven in evenwicht bracht: de rol van de ziekte binnen de eigen directe gemeenschap en de rol in het bredere netwerk van alle condities. Door een specifieke instelling in hun berekening aan te passen, konden zij de focus verschuiven van de lokale buurt naar de globale kaart, om te testen welke balans de meest betekenisvolle inzichten opleverde.

De onderzoekers begonnen met een dataset die meer dan duizend verschillende ziekten bevatte die gelinkt zijn aan borstkanker. Zij reinigden deze data door zwakke verbindingen te verwijderen, zodat zij alleen sterke, betekenisvolle relaties analyseerden. Dit proces liet een kernnetwerk over van 323 ziekten die allemaal met elkaar verbonden waren. Vervolgens haalden zij dit netwerk door vier verschillende algoritmen voor het vinden van gemeenschappen: één die knooppunten groepeert door interne verbindingen te maximaliseren, een andere die de belangrijkste bruggen verwijdert om het netwerk te splitsen, een derde die een techniek van berichtoverdracht (message-passing) gebruikt om lidmaatschap van een groep te schatten, en een vierde die steunt op principes uit de natuurkunde om stabiele energietoestanden te vinden. Elk algoritme produceerde een andere kaart van hoe de ziekten bij elkaar klonterden. Eén methode, bekend als het Louvain-algoritme, bereikte de hoogste modulariteit, wat aangaf dat het de duidelijkste scheiding tussen groepen creëerde en het meest effectief was in het onthullen van de natuurlijke structuur van het comorbiditeitsnetwerk.

Met deze kaarten van gemeenschappen in handen, berekende het team de belangrijkheid van elke ziekte aan de hand van drie verschillende criteria. Ten eerste keken zij naar het aantal directe links dat een ziekte had, zowel binnen de eigen groep als over het hele netwerk. Ten tweede maten zij hoe snel een ziekte elke andere ziekte in het netwerk kon bereiken, wat in feite de toegankelijkheid meet. Ten derde identificeerden zij welke ziekten als bruggen fungeerden, die op de kortste paden tussen andere condities liggen en de stroom van invloed faciliteren. Zij herhaalden deze berekeningen vele malen, waarbij zij telkens de balans tussen lokale en globale belangrijkheid aanpasten. Wanneer zij zich volledig concentreerden op lokale verbindingen, kwamen andere ziekten bovenaan de lijst te staan. Maar naarmate zij meer gewicht toekenden aan het globale netwerk, kwam een consistente set van condities naar voren als de meest kritieke.

De resultaten wezen op een specifieke groep ziekten die consequent als het meest centraal werden gerangschikt, ongeacht de gebruikte methode om de gemeenschappen te vinden. Deze omvatten condities die het zenuwstelsel, het maag-darmkanaal, het cardiovasculaire systeem en de mentale gezondheid beïnvloeden. Specifiek vonden de onderzoekers dat ziekten gerelateerd aan het zenuwstelsel en het spijsverteringskanaal bovenaan de lijst verschenen wanneer de balans de voorkeur gaf aan de algemene netwerkstructuur. Dit suggereert dat deze condities niet alleen veelvoorkomende metgezellen zijn van borstkanker, maar waarschijnlijk ook cruciale punten zijn waar veel verschillende gezondheidsproblemen samenkomen. De studie testte ook een specifieke instelling voor hun balansparameter, waarbij werd vastgesteld dat een waarde van 0,9 de meest stabiele en betrouwbare resultaten bood. Deze instelling, die zwaar leunt op het globale netwerk terwijl de lokale gemeenschappen nog steeds worden gerespecteerd, stelde de methode in staat om consistent dezelfde sleutelziekten te identificeren over verschillende kaarten van gemeenschappen heen.

Door het concept van gemeenschapsstructuur in hun analyse te integreren, toonden de onderzoekers aan dat een genuanceerder beeld van ziektenetwerken duidelijkere antwoorden oplevert. Zij lieten zien dat het simpelweg tellen van verbindingen of het meten van afstand niet voldoende is; begrijpen waar een ziekte zich binnen de eigen cluster bevindt, is even belangrijk. De studie beweerde niet het mysterie van borstkanker-comorbiditeiten te hebben opgelost, maar bood een robuustere tool om te identificeren welke condities de meeste aandacht verdienen. De bevindingen suggereren dat wanneer artsen en onderzoekers kijken naar het complexe web van ziekten dat een borstkankerpatiënt treft, zij speciale aandacht moeten besteden aan het zenuwstelsel en het spijsverteringsstelsel, aangezien deze gebieden de meeste invloed lijken te hebben op het gehele netwerk van geassocieerde condities. Deze benadering biedt een manier om onderzoek en behandelstrategieën te prioriteren door zich te richten op de ziekten die het netwerk werkelijk bij elkaar houden.