[论文解读] Why we should use Topological Data Analysis in Ageing: towards defining the "Topological shape of ageing"

Tamàs Fülöp, Mathieu Desroches+2 more|arXiv (Cornell University)|Aug 14, 2020

Topological and Geometric Data Analysis参考文献 88被引用 9

一句话总结

本文倡导在衰老研究中采用拓扑数据分析（TDA），以揭示衰老的'拓扑形态'——一种对生物衰老动态的全局性、多尺度表征。通过利用拓扑不变量检测纵向和横断面衰老数据中的结构性变化与相变，TDA能够识别分子、细胞和生物体水平上的因果模式，为预测健康与病理衰老轨迹提供一种新框架。

ABSTRACT

Living systems are subject to the arrow of time; from birth, they undergo complex transformations (self-organization) in a constant battle for survival, but inevitably ageing and disease trap them to death. Can ageing be understood and eventually reversed? What tools can be employed to further our understanding of ageing? The present article is an invitation for biologists and clinicians to consider key conceptual ideas and computational tools (known to mathematicians and physicists), which potentially may help dissect some of the underlying processes of ageing and disease. Specifically, we first discuss how to classify and analyze complex systems, as well as highlight critical theoretical difficulties that make complex systems hard to study. Subsequently, we introduce Topological Data Analysis - a novel Big Data tool - which may help in the study of complex systems since it extracts knowledge from data in a holistic approach via topological considerations. These conceptual ideas and tools are discussed in a rather informal way to pave future discussions and collaborations between mathematicians and biologists studying ageing.

研究动机与目标

• 通过提出一种基于拓扑学的新型分析方法，解决衰老研究中缺乏共识与整合性框架的问题。
• 克服传统统计与机器学习方法所依赖的强假设及其在捕捉复杂衰老数据中全局因果关系方面的局限性。
• 通过拓扑不变量检测衰老轨迹中的相变与结构转变，促进对病理性与健康性衰老的预测。
• 通过引入TDA作为数学家与生物学家共享的概念与计算框架，推动衰老系统生物学领域的协作。
• 通过提供一种工具，揭示衰老的涌现性、层级性与动态本质，为WHO 2020–2030年健康老龄化倡议做出贡献。

提出的方法

• 利用拓扑数据分析（TDA）从多尺度衰老数据中提取拓扑不变量（如持久同调），捕捉全局结构模式。
• 基于选定的相似性或距离度量，通过过滤过程构建单纯复形，实现对不同尺度下拓扑特征的追踪。
• 应用持久同调识别并追踪不同过滤层级下的拓扑特征，如连通分量、环路与空洞（贝蒂数）。
• 将拓扑不变量作为数值数据的补充总结，增强对跨生物尺度隐藏因果关系的检测能力。
• 通过在时间或群体间映射拓扑特征，提出构建'衰老图谱'，识别关键转变点（如疾病发病初期）。
• 将TDA与现有模型（如表观遗传时钟、生理功能失衡度量、多层网络模型）整合，提升其可解释性与预测能力。

实验结果

研究问题

• RQ1 从多尺度衰老数据中提取的拓扑不变量是否能揭示传统统计方法所遗漏的隐藏全局模式？
• RQ2 TDA如何检测并表征衰老中的相变，例如从健康衰老向病理衰老的转变？
• RQ3 TDA在识别衰老中因果关系方面，能在多大程度上作为现有方法（如表观遗传时钟、主成分分析、网络分析）的补充工具？
• RQ4 衰老的'拓扑形态'是否可被绘图以预测个体的健康与疾病轨迹？
• RQ5 TDA在生物情境中的局限性是什么，特别是距离度量选择以及将拓扑特征解释为涌现属性时？

主要发现

• TDA能够从复杂衰老数据中提取全局拓扑不变量，提供超越数值总结的生物系统整体视图。
• 如持久贝蒂数等拓扑特征可追踪数据中的结构性变化，包括环路与空洞的出现，这些可能对应于生物相变。
• 该方法可检测衰老轨迹中的关键转变点，可能在临床症状出现前识别出年龄相关疾病的起始。
• TDA通过揭示数据中潜在的拓扑结构，补充了表观遗传时钟与生理功能失衡度量等现有工具。
• 将TDA与多层网络模型及系统生物学框架整合，增强了对'衰老七支柱'作为相互关联、动态系统的建模能力。
• 作者提出衰老可能属于'语境涌现'类别，其中拓扑等价是必要但非充分条件，表明TDA非常适合研究此类复杂、分层的系统。