文献若只如初见-W5

最新推荐文章于 2024-08-27 14:38:12 发布

懒麻蛇

最新推荐文章于 2024-08-27 14:38:12 发布

阅读量194

点赞数

文章标签：机器学习人工智能 java python 大数据

本文链接：https://blog.csdn.net/lazysnake666/article/details/122405078

版权

Molecular Psychiatry; 2021(Feb); P-factor; Donders; Heritable Environmental risk factors
BP; 2021(Jan); TReNDS; IMAGEN; MCCAR+jICA; Novelty-seeking
Neuropharmacology; 2021(Jan); caffeine exposure in utero; ABCD; Julia; DTI
Molecular Psychiatry 2020; NIDA; HPC; binge drinking; Machine Learning

Correlations [between different symptom dimensions] are not a problem, but a profoundly important source of information about the nature of psychopathology.

发表在Modular Psychiatry上的观点类文章，来自于Donders。文章的主题是P-factor：A general psychopathology factor (or “P-factor”) to efficiently describe the covariance of psychopathology。 P-factor在之前一篇BP的综述文章中就提到过【传送门->03】，那一个issue有文章专门讨论了p-factor。

似乎这两篇文章是最初提出P-factor概念：

文章首先将P-factor分成了

1)Phenotypic: clinical definitions and phenomenological presentations；

2)genomic: shared genetic liability；

3)neural: brain structure and function

综述了之前的研究发现，并且总结了各模态常用的分析P-factor的方式：

结果表明 Psychiatric symptoms and their biological correlates co-vary highly in the population.

比如：Cell2019年这篇文章发现了109个基因变异与孤独症、ADHD、精神分裂症、双相情感障碍、抑郁症、强迫症和Tourette Syndrome，这八种精神疾病相关。Genomic relationships, novel loci, and pleiotropic mechanisms across eight psychiatric disorders. Cell. 2019;179:1469–82 e1411.

JAMA Psychiatry这篇文章发现与6种精神疾病的皮层厚度差异有关组织结构学(cell type). Virtual Histology of Cortical Thickness and Shared Neurobiology in 6 Psychiatric Disorders. JAMA Psychiatry. 2021 Jan 1;78(1):47-63.

传统的endophenotype模型认为，基因通过brain影响行为，环境作用于brain。作者强调了共同的遗传环境风险因素(heritable environmental risk factors)对P-factor的作用，因此可能存在多种/双向的因果关系。

对于如此复杂的问题，作者认为从以下角度入手能更好的了解P-factor的机制：

Testing to what extent the three P-factors reflect the same variation in the population
Quantifying genetic correlations and gene-environment correlations using GWAS data
Including multi-level neurobiological data at multiple scales of investigation
Modeling the dynamics of gene-environment correlations over time

IMAGEN的文章，来自于Tri-institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)，之前提到过他们会不定期组织在线的线上讨论，而且会有视频上传B站【传送门】。

IMAGEN是欧洲一个多中心的longitudinal项目，基线14岁，2000名被试，有任务态，静息态，DTI和genetic数据。在16岁有一次non-imaging的follow-up，在19岁和23岁还有两次包括brain scan的follow-up，现在23的数据已完成。

文章首先找到了Novelty-seeking top20%的被试，使用他们常年使用的方法MCCAR+jICA找到了各模态中和Novelty相关的成分。这个方法可以做多模态融合，还有效回避了voxel-wise做相关无法得到过矫正的结果的情况。

这个方法做多模态的融合似乎10年前就有了。

找到和novelty-seeking相关的成分之后，提取ROI，在14岁数据上建立回归模型，将beta值分别用于预测

19岁同样的被试上(n=239)
19岁剩下一批被试
external dataset

都得到了不错的p值。

有意思的是，对于没有任务态的数据集，他们提取了ROI静息态的数据，使用了Linear back reconstruction的方法得到了相应任务态的component maps的估计。

Thoughts:

1)研究似乎没有完全考虑age，gender, site，puberty的影响，在做实际值和预测值相关时，做了额外的partial correlation控制了gender的影响。在做N-way classification的前，将age/gender/site回归掉了。

2)如果可以展示一下几个预测的target之间的相关就更好了，感觉这几个target之间可能会有很高的相关。

3）选用了top 20%的novelty-seeking的被试，如果选的是25%或者33%或者15%结果会怎样。个人经验这个选择很tricky。

4) 没看讨论，但是觉得从p-factor入手是一个好主意。

5) 找到的biomarker在不同的数据集上的表现都不错，external validation set的使用大大增加了结果的可信度。虽然把resting的数据重建成任务态的component map像是变魔术一样。

发在Neuropharmacology上的研究(n=9157)，用的是ABCD，9-10岁的数据，这个研究考察的怀孕期咖啡因的摄入对下一代大脑发育的影响。文章的思路比较简单，用孕期咖啡因摄入定义分组，然后对DTI数据进行分析。之前一篇类似的ABCD的文章发表在AJP上，分析的是alcohol exposure in utero对大脑发育的影响【传送门->5】。

行为的结果表明有4135个母亲报告了整个孕期每周一次的咖啡因摄入，孕期咖啡因摄入和left IFOF, CST的FA值负相关，和psychopathology相关的测量也和孕期咖啡因摄入正相关。咖啡因的摄modulate了task efficiency和left CST的FA值。

咖啡就像是一般的饮品一样，在孕期并不会严格的控制。如果搜索caffeine exposure in utero的话会发现研究孕期母体咖啡因摄入对大脑发育影响的文章并不少。这个研究的意义在于

另外，虽然早就听过Julia，这还是第一次看到有文章使用Julia语言进行分析，没看什么不得不用Julia的理由。Julia不是解释性语言，能提供像C一样的运行速度，容易调用其他语言，支持GPU。

ChrisRackauckas：

如果你用 Julia 处理一个 10 秒内的问题，它的优势并不能体现出来。而一旦处理的问题变复杂，需要花费比较长的时间，这时 Julia 的优势就会慢慢体现了。如果你需要解决 100 个 10 秒的优化问题，第一次执行需要花费 17 秒，接下来的优化不需要编译，大约只需要 10 秒。因此，总运行时常为 1007 秒。所以，当用 Julia 处理一个 10⁵ 秒的问题时，这 7 秒基本可以忽略不记；但如果用 Julia 处理 5 秒甚至更小的问题时，这 7 秒的差异就特别明显。【来源：知乎 Julia vs R vs Python: 简单优化对比】

偶然发现来自NIDA的一篇文章，使用的是HPC的数据做机器学习预测binge drinking，看完之后觉得这文章能发Molecular Psychiatry得算是有大佬的加持了吧。

首先定义了case (n=177)和control(n=309)，然后对比了以下几个组变量的预测表现，

all variables
nonbrain variables
only brain variables

其中brain的数据包括了7个任务的ROI和结构像的ROI。

结果见下图，单独使用brain数据做预测结果是最差的，并不意外。即使在nonbrain variables的基础上加上brain variables模型的表现也没有好到哪去。个人经验，用task fMRI做预测真的非常浮云。

看👆table中的结果，他们的模型表现真的可能是inflated。被试很少是一个问题，另外一个问题是，看下图👇分析流程，4那里的test sample只有一份，更好的方式是test sample也生成10份【也就是Nested CV】，最后的结果使用10份test sample结果做平均，就应该不会有那么高了吧。另外，我觉得发modular psychiatry好歹也要有个external validation set吧。不过想想，他们用了一堆任务态的ROI，怎么变出来external validation set😀。使用machine learning的注意事项，推荐阅读【传送门】