[论文解读] 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 4

一句话总结

该论文提出多重图因子分解（M-GRAF）模型，通过惩罚逻辑回归与分层特征值分解，从重复的二值化脑网络中识别出共有的和个体特异性的脑网络结构。该方法能有效分离共享的连接模式与低维个体偏差，在人类连接组计划数据上表现出色，显著提升了脑连接异质性建模的可解释性与准确性。

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.

研究动机与目标

• 为解决在脑连接组学中识别重复二值化网络中共有结构与个体特异性结构的挑战。
• 开发一种统计模型，将共有的网络拓扑结构与低维个体特异性偏差分离。
• 提供一种可扩展、计算高效的大型脑网络数据多 subject 分析方法。
• 通过个体化网络结构建模，实现对认知与行为特征的更好预测。

提出的方法

• M-GRAF 模型采用逻辑回归框架，对二值化网络中的边概率进行建模，同时整合共有与个体特异性潜在结构。
• 通过分层特征值分解估计一个共享的低维嵌入矩阵 Q，以捕捉共有网络结构。
• 个体特异性偏差通过受试者特异的潜在向量 λik 建模，并通过带稀疏性诱导约束的惩罚似然法进行估计。
• 采用交替优化算法，依次估计共享基底 Q 与个体潜在向量，利用瑞利-里茨定理实现高效计算。
• 该方法包括对均值中心化邻接矩阵的谱分解，并应用带正性约束的逻辑回归，以确保概率估计的有效性。
• 该算法设计具备可扩展性，并通过模拟研究与真实世界中对人类连接组计划数据的应用进行验证。

实验结果

研究问题

• RQ1 如何在多个重复的二值化脑网络中有效分离共有与个体特异性结构模式？
• RQ2 何种统计模型可联合估计共有网络拓扑与低维个体偏差，同时保持可解释性？
• RQ3 与现有方法相比，所提出的 M-GRAF 模型在大规模连接组学数据上的准确性与计算效率如何？
• RQ4 个体特异性网络偏差是否能预测人类脑网络中的认知或行为特征？
• RQ5 正则化与低秩结构对二值化网络数据中边概率估计的影响是什么？

主要发现

• M-GRAF 模型在模拟研究中表现出优异的运行特性，能准确恢复共有与个体特异性网络结构。
• 该方法成功识别出跨受试者共有的连接模式，如跨半球连接，这些连接与视觉空间处理等认知特征相关。
• 脑网络中的个体特异性偏差，特别是半球间连接的偏差，对认知与行为变异具有预测潜力。
• 通过交替优化与谱分解，该算法实现了高计算效率，适用于大规模脑网络数据分析。
• 在人类连接组计划数据上的实证结果证实，该模型能捕捉具有生物学意义的网络异质性，同时保持统计稳健性。
• 采用带特征值分解的惩罚逻辑回归可确保有效的概率估计，并相比标准谱方法提升模型稳定性。