一个网络模型同时完成分型
多数进展模型只解决一个问题：估计每位患者的疾病时间，从而把患者放到同一条生物标志物轨迹上。分型模型解决第二个问题：把轨迹不同的患者分组。论文认为，现有方法很少能同时大规模完成这两件事，因为分型模型往往受限于可处理的生物标志物数量，或者缺少网络模型那样的机制结构。
所提出的模型扩展了 COMIND 框架：神经退行通过一组受结构连接约束的耦合 logistic-扩散方程传播。每个脑区积累病理的速度由当前状态和剩余容量决定，而积累既受相连脑区驱动，也受一个恒定的区域强迫项驱动。亚型由这些强迫项的不同空间模式定义，因此一个亚型是关于病理起源位置的假设，而不是在单独聚类步骤中得到的簇。
亚型按来源模式而非时间区分
每位受试者被分配到预测轨迹在该受试者估计疾病时间处重建误差最低的亚型。由于疾病时间本身是自由参数，亚型原则上可能主要沿时间而非空间模式分开。为避免这一点，模型加入 Jensen-Shannon 散度惩罚，使各亚型的时间偏移分布保持相似。
参数设置明确了这一权衡：时间尺度、区域特异的自传播速率和生物标志物缩放向量在所有亚型间共享，只有强迫项随亚型变化。亚型数量由贝叶斯信息准则在二、三、四的候选中选择，有效参数计数包括非零强迫项和非零自传播项。
合成数据验证参数可被还原
在 300 名受试者、7 年疾病轴的模拟数据上，BIC 从二、三、四的候选中正确选出三个亚型。每种情况下，主导的非零强迫项都在真实生物标志物索引处被识别，拟合值为 0.317、0.302 和 0.249，真实值为 0.3。稀疏先验把真实为零的自连接项精确估计为零，两个真实值为 0.651 和 0.604 的非零项被还原为 0.726 和 0.650。
亚型分类的调整兰德指数为 0.96，时间偏移的平均绝对误差为 0.345 ± 0.317 年。这些结果是在模型自身假设生成的数据上得到的还原结果，检验的是估计能力，而不是真实帕金森病进展是否遵循这种生成形式。
四种亚型由不同生物标志物驱动
在 PPMI 应用中，BIC 从二、三、四的候选中选出四个亚型。各亚型的区别在于哪些生物标志物承载最大的强迫项。亚型 1 主要由 TD 评分驱动，同时伴有苍白球和丘脑的强迫项。亚型 2 由 PIGD 评分和 MCATOT 共同驱动，这两项是模型中最大的强迫项，此外还有强烈的双侧壳核和丘脑强迫项。
亚型 3 更偏皮层驱动，主要由内嗅皮层、上额皮层和前扣带回驱动。亚型 4 结合了较高的 TD 和 PIGD 强迫项，并在上额和颞极区域有更强的强迫项。论文将这些呈现为形态学上不同的进展模式，并用亚型曲线两两差异最大的十个区域的亚型特异皮层厚度轨迹加以展示。
只有连接组模型对应临床与遗传分组
基准模型是 SuStaIn，一种纯数据驱动的分期模型，使用相同的 z 分数数据，为便于计算聚合到 13 个区域和 3 个临床评分，并采用相同的训练与验证划分。交叉验证支持 SuStaIn 的两亚型解，与作者引用的皮层和皮层下分期模式相似。
随后用两个模型都未训练过的分组检验两种方法。在 187 名受试者的留出验证队列上，SuStaIn 的两个亚型与 TD/PIGD 运动表型分类无显著关联（χ2 = 1.22，df = 2，p = 0.543），而 COMIND 的四个亚型有显著关联（χ2 = 27.33，df = 6，p < 0.001）。在 312 名受试者的全队列上检验遗传亚组，SuStaIn 同样无显著关联（χ2 = 1.35，df = 3，p = 0.717），COMIND 则有显著关联（χ2 = 17.80，df = 9，p = 0.038）。
这一比较在分辨率上并不对称：COMIND 使用全部 85 项生物标志物拟合，而 SuStaIn 使用缩减后的 13 区域、3 评分集合，且两种解的亚型数量不同。因此论文的主张是关于每个拟合模型在该协议下还原了什么，而不是网络约束普遍优于分期模型。
验证能说明什么、不能说明什么
留出检验是横断面的，遗传比较使用的是全队列而非仅留出受试者。这些关联是对发现的亚型标签与外部组别之间独立性的检验，说明亚型携带临床和遗传上有意义的结构；它们并不说明模型的传播机制导致了这种结构。
作者还指出，尽管公式不同，两个模型都还原出一致的皮层下对皮层的组织方式，并将独立队列（如 ENIGMA-PD）验证和纳入动态演化的连接组结构列为未来工作。连接组被视为静态，证据来自单一队列。
最该审视的是亚型数量
这里最具决策相关性的数字不是拟合质量，而是 BIC 选出的四亚型解及其外部关联。读者若要把该模型与分期方法比较，应关注匹配协议：相同数据、相同划分，外部标签不参与拟合。在该设置下，SuStaIn 的两亚型解未能区分运动表型和遗传亚组，而连接组约束的四个亚型做到了。
由此得出的实际优先事项是把强迫项模式视为可解释对象：它指明每种亚型由哪些生物标志物驱动，也正是它使亚型标签能与运动及遗传分组比较。这四个模式能否在独立队列中成立，以及能否在随时间变化的连接组下保持，是最可能改变这一结果权重的条件。
本文引用的文献
Discovering Subtypes of Neurodegenerative Progression with a Scalable Connectome-Constrained Dynamic Model
一个连接组约束的进展模型在 PPMI 中选出四种帕金森病亚型，它们与 TD/PIGD 运动表型（χ2 = 27.33，p < 0.001，n = 187）和遗传亚组（χ2 = 17.80，p = 0.038，n = 312）显著相关，而匹配的 SuStaIn 拟合与两者均无显著关联。