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

Resumo Técnico: Um Modelo de Mistura Latente Adaptativa Bayesiana para Análise de Connectoma Cerebral Ponderado com Inflação de Zeros

Declaração do Problema
Redes ponderadas replicadas, particularmente em connectômica estrutural derivada de ressonância magnética por difusão (dMRI), apresentam dois desafios estatísticos pervasivos que tornam inadequados os modelos de rede padrão. Primeiro, as matrizes de adjacência observadas são fortemente inflacionadas por zeros; muitas arestas são exatamente zero devido à ausência biológica, incerteza da tractografia ou limiares de reprodutibilidade. Segundo, os pesos das arestas não nulos exibem alta variabilidade e carregam significado científico sobre a força da comunicação neural. Abordagens padrão frequentemente tratam zeros como pesos contínuos pequenos ou assumem que são missing at random (ausentes ao acaso), levando a incertezas mal calibradas tanto para a topologia quanto para a força das arestas. Além disso, métodos existentes como ALMA ou modelos de blocos tensoriais tipicamente impõem atribuições de clusters discretos ou restrições ortogonais, que são frequentemente excessivamente restritivas para a organização do cérebro humano, onde os sujeitos expressam misturas graduais e sobrepostas de motivos de conectividade em vez de classes discretas.

Metodologia
Os autores propõem o Modelo de Mistura Latente Adaptativa Bayesiana (BALM), um framework totalmente generativo projetado para redes replicadas, esparsas e ponderadas. O modelo aborda as características específicas dos dados connectômicos através de três componentes centrais:

1. Membro Misto Confinado ao Simplex: Diferentemente do clustering discreto, o BALM representa a rede de cada sujeito como uma combinação convexa de $M$ matrizes de pontuação latente compartilhadas e de baixo posto. A heterogeneidade específica do sujeito é capturada por meio de pesos de mistura $W_\ell$ confinados a um simplex ($\Delta^{M-1}$), permitindo membros contínuos e sobrepostos que melhor aproximam a organização cerebral gradual.
2. Verossimilhança de Barreira com Esparsidade Informada pela Estrutura: O modelo separa explicitamente a existência da aresta da força condicional da aresta usando uma arquitetura de barreira.
   • Existência da Aresta: Modelada via distribuição Bernoulli com probabilidade $\pi_{\ell,ij} = \text{logit}^{-1}(a_0 + a_1 \mu_{\ell,ij})$.
   • Força da Aresta: Condicionada à existência ($Z_{\ell,ij}=1$), os pesos transformados por logit seguem uma distribuição Gaussiana (ou Student-t para robustez) centrada na média latente $\mu_{\ell,ij}$.
   • Parâmetro de Acoplamento ($a_1$): Uma característica chave é o parâmetro $a_1$, que governa o acoplamento entre a força latente e a existência da aresta. Se $a_1=0$, a esparsidade é independente da conectividade; se $a_1 \neq 0$, os zeros topológicos são informativos sobre conectividade latente fraca.
3. Modelos Latentes de Baixo Posto: As médias latentes são construídas a partir de uma mistura de modelos latentes compartilhados de baixo posto $S_m = \tau U_m \text{diag}(\gamma_m) U_m^\top$, onde $U_m$ são vetores de base ortonormais e $\gamma_m$ controla a magnitude dos modos latentes.

Cálculo e Inferência
Devido a restrições não lineares (ortonormalidade de $U_m$, restrições de simplex em $W_\ell$), posteriores de forma fechada não estão disponíveis. Os autores empregam Monte Carlo via Cadeias de Markov Hamiltoniano Transformado (HMC) com um Amostrador Sem Curvas de Retorno (NUTS) em coordenadas sem restrições. As transformações incluem coordenadas de log-rácio aditivas para pesos do simplex, transformações log para escalares positivos e uma construção Stiefel induzida por QR para matrizes ortonormais. A seleção do modelo para o número de modelos $M$ utiliza uma estratégia de múltiplos critérios: Critério de Informação Ampliamente Aplicável (WAIC) aresta a aresta, previsão de links retidos (AUC) e estabilidade de consenso em execuções independentes.

Contribuições Teóricas
Sob um cenário de modelo fixo com um número crescente de redes replicadas ($L \to \infty$), o artigo estabelece várias garantias assintóticas para um estimador de espaço quociente identificável (contabilizando a troca de rótulos e simetrias espectrais):

• Consistência Posterior: A probabilidade posterior do parâmetro verdadeiro (módulo permutação) converge para 1.
• Normalidade Assintótica Local (LAN): A log-verossimilhança admite uma expansão quadrática em torno da verdade.
• Aproximação de Bernstein–von Mises: A distribuição posterior converge para uma distribuição Gaussiana centrada no estimador de máxima verossimilhança com covariância igual ao inverso da informação de Fisher.
• Consistência Preditiva: A distribuição preditiva posterior converge para a verdadeira distribuição geradora dos dados.
• Contração Condicional: Para um sujeito fixo, a posterior dos pesos de mistura contrai a uma taxa de $O_P(1/\sqrt{P})$ à medida que o número de arestas $P$ aumenta.

Resultados Empíricos

• Simulações: O BALM foi comparado ao ALMA e a um modelo de blocos tensoriais. Em cenários com alto membro misto (comunidades sobrepostas), o BALM superou significativamente as linhas de base de clustering rígido na recuperação de modelos e estabilidade de clustering (Índice Rand Ajustado). Enquanto modelos de clustering rígido performaram ligeiramente melhor em cenários quase discretos, o BALM manteve desempenho comparável. Crucialmente, o BALM superou substancialmente as linhas de base apenas de topologia na recuperação de pesos de aresta contínuos, demonstrando o benefício de modelar explicitamente o canal não nulo.
• Aplicação no Projeto Connectoma Humano (HCP): Aplicado a $L=1065$ sujeitos da versão S1200 do HCP (68 nós), o modelo recuperou modelos estruturais latentes estáveis.
  • Robustez: Uma verossimilhança Student-t foi usada para o canal contínuo para lidar com distribuições de pesos de cauda pesada.
  • Interpretabilidade: Diferentemente do ALMA, que forçou redes distintas (por exemplo, modo padrão e somatomotora) em modelos mistos únicos devido a restrições de ortogonalidade, o BALM desvencilhou essas redes em motivos separados e interpretáveis com sobreposições graduais.
  • Análise Comportamental: Os modelos recuperados foram anotados com variáveis comportamentais (por exemplo, Afeto Positivo, Orientação Espacial). Os autores notam que essas associações são pequenas em magnitude e servem estritamente como anotações exploratórias para verificar o alinhamento com eixos cognitivos, não como alegações confirmatórias de biomarcadores.

Significado e Alegações
O artigo alega que o BALM fornece um framework estatístico principiado para redes ponderadas esparsas que evita as armadilhas de tratar zeros como dados ausentes ou pesos pequenos. Ao desacoplar a existência da aresta da força e permitir membro misto contínuo, o modelo oferece:

1. Incerteza Calibrada: Quantificação adequada da incerteza para topologias, pesos e parâmetros de esparsidade.
2. Validade Científica em Connectômica: Um mecanismo para distinguir entre ausência estrutural e conectividade fraca, o que é crítico para interpretar dados de dMRI.
3. Flexibilidade: A capacidade de recuperar misturas estáveis e heterogêneas em nível de sujeito sem as restrições de ortogonalidade restritivas de métodos anteriores.

Os autores enfatizam que, embora o modelo recupere padrões latentes estáveis, as correlações comportamentais observadas na aplicação do HCP são descritivas e exploratórias, evitando a sobreinterpretação como relações mecanicistas cérebro-comportamento. O framework também é notado como aplicável a outras redes ponderadas inflacionadas por zeros, como interações sociais ou fluxos financeiros.