PathFinder: Joint Decompositions of Linked Multimodal Datasets

O cérebro humano é uma paisagem vasta e intrincada, e os cientistas há muito buscam mapear seus padrões ocultos. Para fazer isso, eles frequentemente reúnem dados de muitos ângulos diferentes: escaneando a atividade elétrica do cérebro, medindo seu fluxo sanguíneo ou até mesmo observando os genes que o moldam. Cada um desses métodos produz uma enorme grade de números, um instantâneo do cérebro a partir de uma perspectiva específica. Durante anos, pesquisadores usaram ferramentas matemáticas para decompor essas grades, procurando pelas estruturas simples e subjacentes que se repetem através do ruído. Essas ferramentas são poderosas porque são puramente orientadas por dados; elas não precisam de um roteiro pré-escrito para dizer o que procurar, permitindo que revelem conexões ocultas em sistemas complexos como o cérebro. No entanto, um obstáculo significativo sempre existiu: essas ferramentas geralmente exigem que todos os dados sendo comparados compartilhem uma característica comum, como o mesmo grupo de pessoas ou as mesmas regiões cerebrais. Se você tentar comparar o cérebro de um humano com o de um macaco, ou se tiver dados para algumas pessoas mas não para outras, os métodos padrão frequentemente falham porque as grades não se alinham.

Uma equipe de pesquisadores da Universidade de Oxford desenvolveu uma nova abordagem para resolver este problema, um método que chamam de PathFinder. O trabalho deles aborda uma limitação fundamental na forma como os cientistas combinam diferentes tipos de dados cerebrais. Imagine tentar resolver um quebra-cabeça onde as peças vêm de caixas diferentes e algumas peças estão faltando inteiramente. Os métodos tradicionais insistiriam que cada peça deve se encaixar perfeitamente em uma moldura única e predefinida. O PathFinder, pelo contrário, é mais flexível. Ele percebe que, mesmo que toda a coleção de dados não compartilhe uma dimensão comum, grupos menores dentro dos dados podem ainda se sobrepor. Desde que haja uma cadeia de conexões — um caminho — que ligue uma peça de dado a outra, o método pode tecer todos eles em uma imagem única e coerente. Isso permite que os cientistas encontrem padrões comuns em diferentes espécies, diferentes tipos de varreduras ou até mesmo em conjuntos de dados onde alguma informação está faltando, sem forçar os dados a se ajustarem a uma estrutura rígida que eles não possuem naturalmente.

Os pesquisadores demonstraram o poder deste novo método através de uma série de testes, começando com simulações computacionais. Eles criaram uma grade de seis conjuntos de dados diferentes, representando dois tipos de medições através de três grupos distintos. Em seu teste, eles deliberadamente removeram dois desses conjuntos de dados, fingindo que estavam faltando, e perguntaram ao algoritmo para descobrir como essas peças ausentes deveriam ser baseadas nas quatro restantes. O método teve sucesso, reconstruindo com precisão os dados ausentes e até superando técnicas mais antigas quando os dados estavam ruidosos. Isso provou que o método pode não apenas encontrar padrões no que está presente, mas também prever o que está ausente, preenchendo efetivamente as lacunas de um quebra-cabeça complexo usando a lógica das peças ao redor.

Para ver se isso funcionava no mundo real, a equipe aplicou o PathFinder a varreduras cerebrais reais do Human Connectome Project. Em um experimento, eles observaram dados de uma tarefa visual onde os sujeitos assistiam a cunhas rotativas e barras em movimento em uma tela. Eles tinham registros da atividade cerebral e dos próprios padrões visuais, organizados em uma grade de seis execuções. Eles então esconderam um padrão visual específico — a cunha giratória no sentido anti-horário — do computador. Usando apenas os dados cerebrais e os outros cinco padrões visuais, o PathFinder previu com sucesso o padrão visual ausente. O resultado foi tão preciso que a imagem prevista coincidiu quase perfeitamente com o estímulo real. No entanto, quando tentaram o mesmo truque, mas removeram metade dos dados cerebrais, a previsão falhou, mostrando que o método depende de ter informações conectadas suficientes para construir uma ponte confiável através das lacunas.

A equipe também mostrou que o PathFinder é um framework geral que pode fazer o que vários métodos existentes, mais complicados, fazem, mas de uma forma mais simples e unificada. Por exemplo, uma técnica comum chamada regressão dupla, usada para mapear redes cerebrais em indivíduos, pode ser recriada usando o Pathifer em uma única etapa. Isso sugere que o PathFinder não é apenas um novo truque, mas um guarda-chuva mais amplo sob o qual muitos métodos anteriores podem se situar, oferecendo uma maneira mais flexível de lidar com dados que não se encaixam perfeitamente em uma única caixa.

Talvez a aplicação mais impressionante tenha envolvido o estudo de loops no cérebro que conectam o córtex a estruturas mais profundas, como o tálamo e os gânglios da base. Essas conexões formam um ciclo, como uma via de acesso circular, onde a informação flui de uma região para a próxima e eventualmente volta ao início. Os pesquisadores usaram dados de difusão por RM de dez sujeitos humanos para mapear as conexões estruturais entre essas regiões. Eles organizaram os dados de uma forma que refletia esse fluxo circular, criando uma cadeia de matrizes onde cada uma compartilhava uma dimensão com sua vizinha. Ao aplicar o PathFinder a essa disposição cíclica, eles foram capazes de descobrir as três principais vias funcionais dentro desses loops: a via motora, a via associativa e a via límbica. O método agrupou com sucesso os voxels cerebrais nesses circuitos distintos, revelando uma organização anatômica clara que correspondia ao que os cientistas já sabiam sobre esses sistemas cerebrais.

Os pesquisadores observam cuidadosamente que, embora o método seja poderoso, ele não é uma varinha mágica que resolve todos os problemas instantaneamente. A natureza matemática da decomposição significa que os resultados podem às vezes ser ambíguos, exigindo etapas extras para torná-los únicos e fáceis de interpretar. Em seus experimentos, eles usaram um processo de acompanhamento para rotacionar os resultados para uma forma mais compreensível, o que ajudou a recuperar as verdadeiras estruturas subjacentes em suas simulações e a produzir mapas anatomicamente sensíveis em dados reais. Eles também reconhecem que a versão atual da ferramenta funciona melhor quando os dados podem ser organizados em uma grade bidimensional, embora já tenham começado a pensar em como expandi-la para lidar com dados multidimensionais mais complexos e até relações não lineares.

Em última análise, este trabalho abre as portas para comparar cérebros entre espécies e escalas de maneiras que eram anteriormente impossíveis. Como o método não exige uma correspondência um-para-um entre cada único ponto de dado, ele permite que pesquisadores usem dados de uma espécie, como um macaco, para ajudar a interpretar dados de outra, como um humano, mesmo que não possuam as mesmas medições exatas para ambos. Ele transforma o desafio de dados ausentes ou incompatíveis em uma oportunidade de encontrar padrões compartilhados através do mundo biológico. Ao fornecer uma maneira de ligar conjuntos de dados díspares através de conexões simples e sobrepostas, o PathFinder oferece uma nova lente através da qual visualizar a natureza complexa e interconectada do cérebro, transformando fragmentos de informação em uma história unificada de como pensamos, nos movemos e sentimos.