[论文解读] Bayesian modeling of multiple structural connectivity networks during the progression of Alzheimer's disease

Christine B. Peterson, Nathan Osborne+4 more|arXiv (Cornell University)|Jan 1, 2020

Bioinformatics and Genomic Networks参考文献 31被引用 19

一句话总结

本文提出了一种贝叶斯高斯图形模型，通过皮层厚度数据，联合推断阿尔茨海默病各阶段（健康对照组、轻度认知障碍、阿尔茨海默病）的多个结构性脑网络。通过在组间使用层次先验共享精度矩阵条目，该方法灵活地建模了边强度的相似性（而不仅仅是边的存在与否），从而提高了估计准确性，并识别出关键的连接中断，例如随着疾病进展，枕叶连接性降低。

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.

研究动机与目标

• 开发一种用于在阿尔茨海默病进展阶段联合推断多个结构性连接网络的方法。
• 在精度矩阵中建模组间边强度的相似性（而不仅仅是边的存在/缺失）。
• 与单独或惩罚性方法相比，提高估计准确性和不确定性量化。
• 识别与疾病严重程度增加相关的具有生物学意义的连接中断。
• 提供一种灵活、可扩展的贝叶斯方法，量化网络结构中的不确定性与组间相似性。

提出的方法

• 提出一种针对多个组（如HC、MCI、AD）的联合贝叶斯高斯图形模型框架，共享精度矩阵。
• 在精度矩阵条目上使用层次先验，以在组间实现强度借用，建模边值的相似性。
• 采用正定矩阵Φ表示组间相似性的后验估计，其条目在(0,1)之间，表示共享连接的相对强度。
• 对精度矩阵采用G-逆威沙特先验，并采用混合先验以实现高效的MCMC抽样。
• 对精度矩阵施加联合先验，允许灵活、数据驱动地学习哪些组具有相似的连接模式。
• 使用MCMC抽样进行后验推断，设置10,000次烧入和20,000次迭代，将中位数模型和MCMC平均精度矩阵作为估计值。

实验结果

研究问题

• RQ1 如何在考虑共享边强度的前提下，联合推断多个阿尔茨海默病阶段的结构性脑网络？
• RQ2 哪些脑区在疾病严重程度增加时表现出最显著的连接中断？
• RQ3 与仅建模边存在/缺失的方法相比，建模组间边强度相似性如何提升网络估计的准确性？
• RQ4 在精度矩阵结构方面，健康对照组、MCI和AD患者之间的网络相似性程度如何？
• RQ5 与基于Lasso的方法和单独的贝叶斯方法相比，所提出的方法是否能更准确地识别出真正的差异边，同时最小化假阳性？

主要发现

• 在模拟研究中，所提出的方法在马修斯相关系数（MCC）和曲线下面积（AUC）方面均表现最佳，优于单独的贝叶斯推断和基于Lasso的方法。
• 与单独的贝叶斯估计相比，该方法识别出更多真实连接，证明了组间信息共享的优势。
• 融合图模型Lasso产生了过于密集的图，假阳性率较高，可能是因为单一惩罚参数无法捕捉到组间异质的相似性。
• 后验估计的相似性矩阵Φ显示，健康对照组与MCI组最相似（Φ = 0.65），其次是MCI与AD组（Φ = 0.64），而HC与AD组最不相似（Φ = 0.63），表明随着疾病阶段进展，网络结构逐渐分化。
• 在真实数据分析中，该方法检测到随着疾病严重程度增加，枕叶内部连接性下降，与已知的神经退行性变化模式一致。
• 在所提出的方法下，Frobenius损失最小化，表明其精度矩阵估计具有更高的准确性。