[論文レビュー] Common and Individual Structure of Brain Networks

Lu Wang, Zhengwu Zhang+1 more|arXiv (Cornell University)|Jul 20, 2017

Complex Network Analysis Techniques参考文献 28被引用数 4

ひとこと要約

本論文では、ペナルティ付きロジスティック回帰と階層的固有値分解を用いて、繰り返し測定されたバイナリーネットワークから共通および個別特異的な脳ネットワーク構造を同定するための、複数グラフ要因分解（M-GRAF）モデルを提案する。この手法は、共通する結合パターンと低次元の個別的ずれを効果的に分離し、ヒューマン・コンネクトーム・プロジェクトのデータにおいて、脳結合の異質性をより解釈可能で正確にモデル化する優れた性能を示している。

ABSTRACT

This article focuses on the problem of studying shared- and individual-specific structure in replicated networks or graph-valued data. In particular, the observed data consist of $n$ graphs, $G_i, i=1,\ldots,n$, with each graph consisting of a collection of edges between $V$ nodes. In brain connectomics, the graph for an individual corresponds to a set of interconnections among brain regions. Such data can be organized as a $V imes V$ binary adjacency matrix $A_i$ for each $i$, with ones indicating an edge between a pair of nodes and zeros indicating no edge. When nodes have a shared meaning across replicates $i=1,\ldots,n$, it becomes of substantial interest to study similarities and differences in the adjacency matrices. To address this problem, we propose a method to estimate a common structure and low-dimensional individual-specific deviations from replicated networks. The proposed Multiple GRAph Factorization (M-GRAF) model relies on a logistic regression mapping combined with a hierarchical eigenvalue decomposition. We develop an efficient algorithm for estimation and study basic properties of our approach. Simulation studies show excellent operating characteristics and we apply the method to human brain connectomics data.

研究の動機と目的

• 繰り返し測定されたバイナリーネットワークにおける共通構造と個別特異的構造を同定する課題に取り組むこと、特に脳結合ゲノミクスにおいて。
• 共通ネットワークトポロジーと低次元の個別特異的ずれを分離する統計的モデルを開発すること。
• 多数の被験者から得られる大規模脳ネットワークデータを効率的に分析できるスケーラブルで計算的に効率の良い手法を提供すること。
• 個別化されたネットワーク構造モデリングを通じて、認知的・行動的特性の予測をより良く行えるようにすること。

提案手法

• M-GRAFモデルは、共通および個別特異的潜在構造を組み込んだロジスティック回帰フレームワークを用いて、バイナリーネットワークにおけるエッジ確率をモデル化する。
• 共通ネットワーク構造を捉えるために、共有された低次元埋め込み行列 Q を階層的固有値分解を用いて推定する。
• 個別特異的ずれは、スパarsity誘導制約を課したペナルティ付き尤度推定により、被験者固有の潜在ベクトル λik としてモデル化される。
• 効率的な計算のため、レイリー・リッツ定理を活用して、交互に共有基底 Q と個別潜在ベクトルを推定するための逐次最適化アルゴリズムが用いられる。
• 平均中心化された隣接行列のスペクトル分解が行われ、有効な確率推定を保証するための正の制約を課したロジスティック回帰が適用される。
• アルゴリズムはスケーラビリティを考慮して設計されており、シミュレーションスタディおよびヒューマン・コンネクトーム・プロジェクトデータへの実世界応用を通じて検証されている。

実験結果

リサーチクエスチョン

• RQ1 複数の繰り返し測定されたバイナリーブレインネットワークにおける共通構造と個別特異的構造パターンを、どのように効果的に分離できるか？
• RQ2 共通ネットワークトポロジーと低次元の個別的ずれを同時に推定できる統計的モデルは何か？ その際、解釈可能性を維持できるか？
• RQ3 大規模な結合ゲノミクスデータに対して、提案されたM-GRAFモデルは、既存の手法と比較して正確性および計算効率において優れているか？
• RQ4 個別特異的ネットワークずれは、ヒューマン脳ネットワークにおける認知的・行動的特性を予測できるか？
• RQ5 正則化および低ランク構造は、バイナリーネットワークデータにおけるエッジ確率推定にどのような影響を与えるか？

主な発見

• M-GRAFモデルは、シミュレーションスタディにおいて優れた性能を示し、共通および個別特異的ネットワーク構造の両方を正確に回復した。
• この手法は、被験者間で共通する結合パターン（例：左右半球間接続）を効果的に同定でき、視覚空間的処理といった認知的特性に関連している。
• 特に左右半球間結合における個別特異的ずれは、認知的・行動的変異を予測する可能性を示している。
• 交互最適化とスペクトル分解により、計算効率が高く、大規模脳ネットワークデータへの応用が可能である。
• ヒューマン・コンネクトーム・プロジェクトデータへの実証的結果から、生物学的に意味のあるネットワーク異質性をモデルが捉え、統計的頑健性を維持していることが確認された。
• 固有値分解を伴うペナルティ付きロジスティック回帰の使用により、有効な確率推定が保証され、標準的なスペクトル手法と比較してモデルの安定性が向上した。