[논문 리뷰] Bayesian modeling of multiple structural connectivity networks during the progression of Alzheimer's disease

Christine B. Peterson, Nathan Osborne외 4명|arXiv (Cornell University)|2020. 01. 01.

Bioinformatics and Genomic Networks참고 문헌 31인용 수 19

한 줄 요약

이 논문은 알츠하이머병 진행 단계(정상 대조군, 경도 인지 장애, 알츠하이머병) 동안 여러 구조적 뇌 연결망을 동시에 추정하는 베이지안 가우시안 그래픽 모델을 제안한다. 총괄 두께 데이터를 사용하며, 계층적 사전분포를 통해 그룹 간 정밀도 행렬 원소를 공유함으로써, 간선 존재 여부 외에도 간선 강도의 유사성을 탄력적으로 모델링한다. 이는 추정 정확도를 향상시키고, 질병 진행과 함께 감소하는 후두엽 연결성과 같은 핵심적인 손상 요소를 밝혀낸다.

ABSTRACT

Alzheimer's disease is the most common neurodegenerative disease. The aim of this study is to infer structural changes in brain connectivity resulting from disease progression using cortical thickness measurements from a cohort of participants who were either healthy control, or with mild cognitive impairment, or Alzheimer's disease patients. For this purpose, we develop a novel approach for inference of multiple networks with related edge values across groups. Specifically, we infer a Gaussian graphical model for each group within a joint framework, where we rely on Bayesian hierarchical priors to link the precision matrix entries across groups. Our proposal differs from existing approaches in that it flexibly learns which groups have the most similar edge values, and accounts for the strength of connection (rather than only edge presence or absence) when sharing information across groups. Our results identify key alterations in structural connectivity that may reflect disruptions to the healthy brain, such as decreased connectivity within the occipital lobe with increasing disease severity. We also illustrate the proposed method through simulations, where we demonstrate its performance in structure learning and precision matrix estimation with respect to alternative approaches.

연구 동기 및 목표

• 알츠하이머병 진행 단계에 걸쳐 여러 구조적 연결망을 공동으로 추론하기 위한 방법을 개발하는 것.
• 정밀도 행렬에서 간선 존재 여부 외에도 간선 강도의 그룹 간 유사성을 모델링하는 것.
• 개별 또는 페널티 기반 방법과 비교해 추정 정확도와 불확실성 정량화를 향상시키는 것.
• 질병 심각도 증가와 관련된 생물학적으로 의미 있는 연결망 손상 요소를 식별하는 것.
• 불확실성과 그룹 간 유사성을 정량화할 수 있고, 유연하고 확장 가능한 베이지안 접근법을 제공하는 것.

제안 방법

• 다중 그룹(HC, MCI, AD 등)에 대한 공동 베이지안 가우시안 그래픽 모델 프레임워크를 제안하며, 정밀도 행렬을 공유한다.
• 정밀도 행렬 원소에 계층적 사전분포를 적용하여 그룹 간 강도를 공유함으로써 간선 값의 유사성을 모델링한다.
• 후행 추정치로 사용되는 정밀도 행렬 간 유사성의 표현으로 양의 정부호 행렬 Φ를 사용하며, (0,1) 범위의 원소는 공유 연결의 상대 강도를 나타낸다.
• 정밀도 행렬에 G-와이스만 사전분포를 적용하고, 효율적인 MCMC 샘플링을 위해 혼합 사전분포를 채택한다.
• 정밀도 행렬에 공동 사전분포를 적용하여, 데이터 기반으로 어떤 그룹이 유사한 연결 패턴을 공유하는지 탄력적으로 학습할 수 있도록 한다.
• 후행 추론을 위해 10,000회 버닝 인과 20,000회 반복을 수행한 MCMC 샘플링을 사용하며, 추정치로 중앙값 모델과 MCMC 평균 정밀도 행렬을 취한다.

실험 결과

연구 질문

• RQ1 다양한 알츠하이머병 진행 단계에서 공유되는 간선 강도를 고려하면서, 동시에 여러 구조적 뇌 연결망을 어떻게 추론할 수 있는가?
• RQ2 질병 심각도가 증가함에 따라 어떤 뇌 영역에서 연결성이 가장 뚜렷하게 손상되는가?
• RQ3 그룹 간 간선 강도 유사성을 모델링할 경우, 간선 존재/부재 여부만 고려하는 방법과 비교해 네트워크 추정 정확도는 어떻게 향상되는가?
• RQ4 정상 대조군, MCI, 알츠하이머병 환자 간 정밀도 행렬의 구조적 네트워크 유사성은 어느 정도인가?
• RQ5 제안된 방법은 라소 기반 및 개별 베이지안 방법과 비교해 진정한 차별성 간선을 더 잘 식별하면서도 거짓 양성률을 최소화할 수 있는가?

주요 결과

• 모의 실험에서 제안된 방법은 분리된 베이지안 추론 및 라소 기반 방법과 비교해 최고의 매튜스 상관계수(MCC)와 수확곡선 아래 면적(AUC)을 기록했다.
• 개별 베이지안 추정보다 더 많은 진정한 연결을 식별하여, 그룹 간 정보 공유의 이점이 입증되었다.
• 융합 그래픽 라소는 단일 페널티 파rameter가 이질적인 그룹 유사성을 반영하지 못해 과도하게 조밀한 그래프를 생성하고, 높은 거짓 양성률을 보였다.
• 유사성 행렬 Φ의 후행 추정치는 정상 대조군과 MCI 그룹 간 가장 유사함(Φ = 0.65)을 보였고, 이는 MCI와 AD(Φ = 0.64), HC와 AD(Φ = 0.63)의 순서로 점점 더 분리됨을 나타내었다.
• 실제 데이터 분석에서 질병 심각도 증가와 함께 후두엽 내 연결성이 감소하는 경향이 관찰되었으며, 이는 알려진 신경퇴행성 패턴과 일치했다.
• 프로베니우스 손실이 제안된 방법에서 최소화되어, 정밀도 행렬 추정 정확도가 뛰어나다는 것을 시사했다.