Species Sensitivity Distribution revisited: a Bayesian nonparametric approach

技术摘要：重新审视物种敏感性分布：一种贝叶斯非参数方法

问题陈述
生态风险评估高度依赖于物种敏感性分布（SSD）方法来估算有害浓度阈值（HC5，即 5% 的物种受影响的浓度），这是监管决策中的一个关键指标。目前的标准实践主要采用参数化假设，通常对临界效应浓度（CEC）数据进行对数正态、对数逻辑或其它固定分布的拟合。然而，这些方法面临显著局型限制：

1. 模型僵化性： 没有哪种单一的参数分布能在多样化的数据集中提供统一优越的拟合效果，且分布的选择往往是任意的，或者是由数学上的便利性而非生物学现实驱动的。
2. 数据稀缺性： 毒理生态学数据集通常规模较小（频率上 $n < 15$），并且包含删失数据（例如低于检测限的值）。非参数替代方法如核密度估计（KDE）或自助法（bootstrap）通常需要较大的样本量才能保证可靠性，这使得它们在数据贫乏的情况下并不适用。
3. 多峰性： 物种敏感性可能是异质性的，受分类学、栖息地或作用机制驱动，从而导致多峰分布。目前的监管指南通常通过丢弃数据或仅保留最敏感的一组数据来处理疑似的多峰性，这种策略过度简化了生态变异性并浪费了信息。
4. 不确定性量化： 频率学派方法在处理小样本时难以提供原则性的 HC5 不确定性量化，并且依赖于在小样本下可能并不成立的渐近保证。

方法论
作者提出了一种用于 SSD 的贝叶斯非参数（BNP）框架（BNP-SSD），该框架利用灵活的混合模型取代了固定的参数假设。

• 模型结构： 该方法在对数转换后的浓度上使用正态核混合模型，其混合测度由归一化独立增量随机测度（NRMI）控制。具体而言，作者采用了归一化稳定过程（一种特定的 NRMI 类型）作为先验。这使得模型可以从数据中推断混合成分（簇）的数量，而不是预先固定。
• 层次化构建： 模型按如下层次定义：
  $$X_i | \theta_i \sim k(x | \theta_i), \quad \theta_i | \tilde{P} \sim \tilde{P}, \quad \tilde{P} \sim \text{NRMI}$$
  其中 $\theta_i = (\mu_i, \sigma_i)$ 代表第 $i$ 个物种的均值和标准差，$\tilde{P}$ 是随机概率测度。
• 处理删失数据： 该框架通过在层次结构内调整似然函数，自然地纳入了删失数据（左删失、右删失和区间删失），避免了标准 SSD 实践中常见的数据丢失或任意插补问题。
• 推理与估计：
  • HC5 估计： 通过累积分布函数的后验分布来估计 HC5。利用 MCMC 采样（使用 BNPdensity R 包）生成完整的后验分布，从而为 HC1 提供置信区间。
  • 聚类： 作者没有采用经验性的聚类方法，而是使用基于**信息变异（VI）**损失函数的决策论方法，从 MCMC 后验样本中导出最优的聚类结构。这可以识别出具有相似敏感性特征的物种组。
  • 跨污染物分析： 为了探索多种污染物之间的模式，作者对 179 种污染物的关联矩阵应用了非负张量分解（PARAFAC）。这使得缺失值的填补以及“敏感性群落”的识别成为可能。

核心贡献与结果
作者通过模拟研究和对 RIVM 数据库真实数据集的分析，验证了 BNP-SSD 方法。

1. 在模拟实验中的优越性：

   • 正态数据： 当数据遵循对数正态分布时，BNP-SSD 的表现与标准的正态-SSD 相当，证明了当参数假设成立时，非参数方法并不会牺牲效率。
   • 非正态/多峰数据： 在重尾（t 分布）或双峰（正态混合）场景下，BNP-SSD 在 HC5 的平均绝对误差（MAE）和密度估计的平均集成平方误差（MISE）方面显著优于参数正态-SSD 和频率学派 KDE-SSD。
   • 小样本量： 与 KDE 不同（KDE 在小样本下表现挣扎），BNP-SSD 能根据数据调整其复杂度，在数据稀缺时有效地退化为更简单的模型，从而避免过拟合。

2. 稳健性与不确定性：

   • 留一法（LOO）交叉验证表明，与竞争方法相比，BNP-SSD 更具稳健性且不易过拟合。
   • 该方法提供了 HC5 的完整后验分布，提供了严谨的不确定性量化（置信区间），该量化同时考虑了抽样变异性和模型不确定性。

3. 真实数据应用：

   • 对真实污染物数据集（含删失和非删失数据）的分析证实，对于单峰数据，BNP-SSD 产生的 HC5 估计值与正态-SSD 相当，但对于偏态或多峰数据，其结果会发生显著偏离且更为准确。
   • 该方法能够处理删失数据而不丢失信息，这是标准 KDE 实现所缺乏的能力。

4. 通过聚类获取生物学洞察：

   • BNP 模型诱导的聚类结构揭示了物种敏感性的模式。对于特定污染物（如 Carbaryl），数据驱动的聚类与准分类群（如将甲壳类动物与鱼类区分开）相一致，支持了分类学驱动敏感性的假设。
   • 然而，跨污染物的张量分析表明，分类学并非唯一的驱动因素；敏感性模式也与污染物类型相关联（例如，特定类型的农药或无机化合物），这表明对某一类污染物有相似反应的物种，对其他同类污染物也可能有相似反应。

意义与主张
作者将 BNP-SSD 定位为一种统计稳健、灵活且实用的生态风险评估进步工具。其主要意义在于：

• 解决灵活性与数据的权衡： 它提供了非参数方法的适应性，同时没有传统 KDE 那样对数据量的高要求，使其适用于毒理生态学中常见的、带有删失的小型数据集。
• 消除任意假设： 通过从数据中学习成分数量，它消除了从业者需要任意选择参数族或通过丢弃数据来强制实现单峰拟合的需求。
• 监管实用性： 该方法为监管机构提供了一个“安全工具”，能提供具有原则性不确定性边界的可靠 HC5 估计。作者提供了一个 Shiny 应用（BNP-SSD），使该方法论能够被毒理生态学界广泛使用。
• 探索能力： 除了风险评估之外，该方法还可作为生物学发现的工具，允许研究人员在没有预设假设的情况下，探索物种敏感性的底层结构以及毒性的驱动因素。

论文结论指出，虽然 BNP-SSD 是对现有标准的重大改进，但未来的工作应侧重于将该框架扩展到依赖性 BNP 模型，以利用不同污染物之间的信息，并纳入更高维度的剂量-反应参数，以实现更细粒度的聚类。