《Environmetrics》：Bayesian Nonparametric Risk Assessment in Developmental Toxicity Studies With Ordinal Responses
编辑推荐：
研究人员针对发育毒性研究（developmental toxicity studies）中通常表现出广泛异质性（heterogeneity）的聚类有序响应（clustered ordinal responses），开发了一个非参数贝叶斯（nonparametr
研究人员针对发育毒性研究（developmental toxicity studies）中通常表现出广泛异质性（heterogeneity）的聚类有序响应（clustered ordinal responses），开发了一个非参数贝叶斯（nonparametric Bayesian, NPB）建模框架。这些研究的主要关注点是考察剂量-反应关系（dose–response relationships），该关系由不同剂量（毒素）水平上的（条件）终点概率（(conditional) endpoint probabilities）刻画。标准参数化方法（standard parametric approaches）在响应分布和/或剂量-反应关系方面受到限制，阻碍了该情境下可靠的不确定性量化（uncertainty quantification）。研究人员提出非参数混合模型（nonparametric mixture models），其由剂量依赖Stick-Breaking过程先验（dose-dependent stick-breaking process priors）构建，并利用多项分布（multinomial distribution）的连续比Logit（continuation-ratio logits）表示来构造混合核（mixture kernel）。研究人员进一步扩展该建模方法，用过度分散核（overdispersed kernel）增强混合模型，从而提供对变异性（variability）更强的控制。研究人员开展模拟研究（simulation study），以展示离散非参数混合结构（discrete nonparametric mixing structure）和过度分散核在不确定性量化方面的优势。最后，研究人员使用一项关于乙二醇（ethylene glycol, EG）效应的毒性实验数据，通过不同形式的风险评估（risk assessment）提供进一步说明。
论文主体解读
一、研究背景与问题
发育毒性研究中的回归问题涉及有序变量之和，观测为多元有序响应（multivariate ordinal response）及协变量。每个分量是0到某整数，常假定多项分布（multinomial distribution）；也可视为若干标准有序变量之和，即扩展有序响应（extended ordinal responses）。Segment II发育毒理学研究中，每个实验剂量（毒素）水平暴露多只孕鼠（dams），记录植入数、非存活胎儿数和存活畸形幼崽数等排序终点。关键目标是考察剂量-反应关系（dose–response relationships），即各毒素水平上的条件终点概率，并反推产生特定额外风险的毒素水平。可靠的不确定性量化（uncertainty quantification）对风险评估（risk assessment）至关重要。问题在于，标准参数化方法在响应分布和/或剂量-反应关系上受限。连续混合模型如Beta-Binomial（BB）和Logistic-Normal-Binomial（LNB）虽可处理过度分散（overdispersion），但其参数形式在发育毒性风险评价中受限；在乙二醇（ethylene glycol, EG）数据中，连续比Logit（continuation-ratio logits）模型区间过窄，CR-BB和CR-LNB连续混合模型区间过宽。因此，研究人员开展非参数贝叶斯（nonparametric Bayesian, NPB）离散混合建模，以更灵活刻画响应分布和剂量-反应关系并改善不确定性量化。
二、研究开展、结论与意义
研究人员提出由剂量依赖Stick-Breaking过程先验（dose-dependent stick-breaking process priors）构建的NPB混合模型，利用多项分布的连续比Logit表示形成混合核（mixture kernel），并进一步以过度分散核（overdispersed kernel）增强模型，即将连续混合作为离散NPB混合的核。模型包括Gen-Bin、CW-Bin、Gen-LNB和CW-LNB等。结论是：离散非参数混合结构比连续混合更能有效控制响应变异性并灵活推断剂量-反应关系；过度分散核改善后验预测区间估计；Gen-LNB最灵活，尤其适合数据变异较大时。其意义在于为发育毒性风险评估提供更可靠的不确定性量化和模型比较框架，符合监管机构倡导全面考虑多种模型的方向。
三、关键技术方法（≤250字）
研究人员采用剂量依赖Stick-Breaking过程先验构建离散非参数贝叶斯混合模型；以多项分布的连续比Logit表示构造混合核；将LNB连续混合作为过度分散核；用Pólya-Gamma数据增强和阻断Gibbs抽样进行马尔可夫链蒙特卡洛（MCMC）后验模拟；通过模拟数据和EG毒性实验数据，使用有效剂量（ED）、基准剂量（BMD）、后验预测损失（PPL）和区间得分（IS）等进行风险评估与模型比较。EG数据来自Fung et al.（1998）的乙二醇毒性实验，含1.25、2.5、5 g/kg三个活动剂量和对照组，各组孕鼠数分别为28、29、27和28。
四、研究结果
1 引言。研究人员介绍扩展有序响应与Segment II数据，指出标准多项模型和参数化风险评价的局限，说明NPB离散混合模型的必要性。
2 连续混合模型。2.1 BB和LNB。研究人员回顾BB和LNB作为二项分布连续混合，指出二者均可实现过度分散；BB有离散过度分散参数，LNB过度分散参数控制混合分布变异性并近似影响均值和相关。2.2 扩展有序响应模型。通过连续比Logit分解构建CR-BB和CR-LNB模型；拟合EG数据发现，连续比Logit模型区间过窄，CR-BB和CR-LNB区间过宽，说明参数化连续混合限制不确定性量化。
3 离散NPB混合模型。3.1 连续比Logit核模型。研究人员提出Gen-Bin模型，采用剂量依赖Stick-Breaking权重和回归原子，证明其与底层二元响应混合模型等价，并给出剂量-反应曲线加权和表示、组内相关为正及先验期望单调性设置；CW-Bin为共同权重简化。3.2 过度分散核模型。研究人员提出Gen-LNB模型，将LNB连续混合作为核，包含CR-LNB和Gen-Bin为极限情形，证明等价性并给出剂量-反应关系；通过先验校准过度分散参数，开发MCMC后验模拟，并考虑CW-LNB简化。
4 合成数据示例。4.1 第一模拟示例。设置四个活动剂量（0.625、1.25、2.5、5 g/kg）和对照组，植入数由均值为20的Poisson分布生成，响应来自三成分CR-LNB混合并具有J形/毒物兴奋效应（hormesis）曲线。结果显示参数模型不能捕捉畸形和复合风险曲线形状，共同权重NPB模型改善有限，Gen-Bin和Gen-LNB更有效捕捉下降形状且未扩大后验不确定性，说明剂量依赖权重对非标准曲线有用。4.2 第二模拟示例。设置0.625、1.25、2.5、3.75、5 g/kg和对照组，生成标准剂量-反应关系但异质性很大的数据。结果显示各模型后验均值相似，但参数模型不确定性量化有问题，CR-BB区间过宽；带过度分散核的NPB模型给出比连续比Logit核更宽后验不确定性，同时离散混合比CR-BB连续混合更有效。总体显示带过度分散核的NPB模型表现更好，并明确优于参数CR-BB模型。
5 真实数据示例。使用EG数据，研究人员设置先验超参数使先验期望剂量-反应曲线递增且各模型先验不确定性带宽度相近。四个模型点估计相似；带过度分散核模型给出更宽后验不确定性带，且宽度随毒素水平变化，在约3至4.5 g/kg插值区域增宽，而CW-Bin和Gen-Bin在此区域过于自信。离散NPB混合比连续混合更能控制响应变异性。组内相关估计随毒素水平增加；CW-Bin估计的组内相关较大且剂量-反应曲线后验不确定性较小，显示其在控制变异性方面存在不协调。风险评价中，有效剂量ED定义为相对对照产生指定额外风险的毒素水平，基准剂量BMD为ED的95%可信区间左端点，并考虑5%和10%基准反应BMR。四个模型结果总体稳健，带过度分散核模型有效剂量后验分布更分散，并反映在BMD估计中。非存活胎儿数和畸形数概率质量函数在不同毒素水平形状变化明显；畸形概率质量函数随毒素水平增加呈从右偏到左偏的平滑演变。通过交叉验证，取22只孕鼠作为测试数据，后验预测检查未提示拟合问题。模型比较中，PPL准则偏好Gen-Bin；带过度分散核模型拟合相当但惩罚项较大，CW-Bin惩罚项也大；IS准则显示过度分散核模型改进，Gen-LNB在畸变和复合风险终点（变异性最大）更受偏好。
6 总结。研究人员总结，连续混合在剂量-反应曲线不确定性量化上受限；由剂量依赖Stick-Breaking过程先验诱导混合结构的离散混合模型具有实际优势，能丰富响应分布和剂量-反应关系推断。为更有效控制变异性，研究人员将连续混合作为离散非参数混合结构的核，导出模型继承骨架性质并实现高效后验推断。EG数据用于说明离散混合模型。模型选择上，CW-Bin在混合核和权重上限制较多，面对巨大异质性可能困难；若风险评价只关注预测分布前两阶矩，Gen-Bin可能足够；过度分散核的关键优势在于改善后验预测区间估计。带过度分散核的两个模型中，Gen-LNB提供最灵活的过度分散结构，尤其适合数据变异广泛时。监管机构倡导全面探索发育毒性风险评估的建模选项，本研究可视为朝该方向的贡献。研究结论（译）：研究人员探索了发育毒理学数据建模，重点通过混合结构处理过度分散；连续混合模型在剂量-反应曲线不确定性量化方面受限，而由剂量依赖Stick-Breaking过程先验诱导混合结构的离散混合模型提供实际优势，并丰富响应分布与剂量-反应关系推断。为更有效控制变异性，研究人员结合两类混合模型，一般模型以连续混合模型作为离散非参数混合结构中的核；导出模型继承其骨架性质，同时实现高效后验推断。来自有机溶剂毒性实验的数据用于说明离散混合模型。实际模型选择方面，CW-Bin在混合核和混合权重上均有限制，可能难以处理巨大异质性；如果风险评价只涉及预测分布前两阶矩，Gen-Bin可能足够；纳入过度分散混合核的关键优势在于改进后验预测区间估计。在带过度分散核的两个模型中，Gen-LNB提供最灵活的过度分散结构，尤其当数据表明广泛变异性时更有帮助。监管机构倡导全面探索可能建模选项，以在发育毒性研究中获得有效风险评估；所提建模框架可视为朝该方向的贡献。
