A Bayesian Nonparametric Approach for Identifying Differentially Abundant Taxa in Multigroup Microbiome Data with Covariates
针对含协变量的多组微生物组数据,提出零膨胀贝叶斯非参数(ZIBNP)方法,利用半参数中餐馆过程降维并处理零膨胀,在模拟和真实数据集上验证了其差异丰度分析的准确性。
2023-12-27 stat.ME
Instrumental Variable Estimation for Compositional Treatments
Helmholtz Munich(亥姆霍兹慕尼黑中心);TUM School of Computation, Information and Technology, Technical University of Munich(慕尼黑工业大学计算、信息与技术学院);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);Ludwig-Maximilian University(路德维希-马克西米利安大学);Center for Computational Mathematics, Flatiron Institute(弗拉蒂伦研究所计算数学中心)
针对成分性数据作为处理变量的因果推断,提出工具变量估计框架,强调干预视角的陷阱,并开发考虑成分空间结构的多变量回归方法,在合成与真实微生物组数据上验证其优势与局限。
2024-05-28 cs.LG q-bio.QM stat.AP
Bayesian Covariate-Varying Interaction Analysis for Multivariate Count Data: Application to Microbiome Studies
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of California Santa Cruz(加州大学圣克鲁兹分校)
本文提出了一种贝叶斯协变量变化因子模型,用于分析微生物组数据中的多元计数数据,通过非参数贝叶斯框架解决高维和离散性等挑战。
2026-03-12 stat.ME
A Flexible Zero-Inflated Poisson-Gamma model with application to microbiome read counts
在微生物组研究中,使用来自微生物群体(例如肠道微生物群群落)的样品来估计这些分类群的群体比例是有意义的。然而,由于在采样和预处理步骤中引入的偏差,这些观察到的类群丰度可能无法反映生态系统中真正的类群丰度模式。重复的措施,包括纵向研究设计,可能是潜在的解决方案,以减少观测到的丰度和真正的基础丰度之间的差异。然而,广泛观察到的零通货膨胀和过度分散的问题,可以扭曲下游的统计分析,旨在关联类群丰度与相关的协变量。为此,我们提出了一个零膨胀泊松伽马(ZIPG)框架来解决上述挑战。从测量误差的角度来看,我们通过将泊松回归中的平均参数分解为真实丰度水平和来自微生物生态系统的采样变异性的乘法测量来适应观察结果与真实值之间的差异。然后,我们提供了一个灵活的模型,通过连接的平均丰度和变异到不同的协变量,并建立有效的统计推断程序的参数估计和假设检验。通过全面的模拟研究和实际数据的应用,提出的ZIPG方法提供了显着的见解区分差异的变化和丰度。
2022-10-10 stat.AP stat.ME
Locally sparse varying coefficient mixed model with application to longitudinal microbiome differential abundance
University of Michigan(密歇根大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出了一种局部稀疏变系数混合模型,用于分析纵向微生物组数据中的差异丰度,通过考虑时间依赖性,提高了估计精度并揭示了新的科学见解。
2026-01-15 stat.AP stat.ME
Bayesian Nonparametric Longitudinal Factor Model for Microbiome Counts
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Texas A&M University(德州农工大学)
该研究针对纵向微生物组计数的异质性、零值过多及时间依赖挑战,提出贝叶斯非参数纵向因子模型,通过模拟和小鼠肠道微生物组应用验证了其有效性。
2026-10-16 stat.AP stat.ME
ProgPermute: Progressive permutation for a dynamic representation of the robustness of microbiome discoveries
特征识别是微生物组研究中的一项关键任务,微生物组研究因微生物数据是高维和异质的事实而变得复杂。由于数据的复杂性,将信号从噪声中分离出来的问题变得具有挑战性和麻烦。例如,当执行差异丰度检验时,多重检验调整往往过于保守,因为随着假设数量的增加,第一类错误(假阳性)的概率显著增加。此外,兴趣的分组效应可能被异质性所掩盖。这些因素可能会错误地导致微生物组组成没有差异的结论。我们翻译和代表的问题,识别差分功能作为一个动态的布局分离的信号从其随机背景。我们提出渐进置换作为一种方法来实现这一过程,并显示收敛模式。更具体地说,我们逐步置换微生物组样本的分组因子标签,并在每种情况下进行多个差异丰度测试。然后,我们将来自原始数据的顶部特征的信号强度与它们在排列中的性能进行比较,并且如果这些顶部特征是从数据中识别出的真阳性,则观察到明显的下降趋势。我们已经将其开发成一个用户友好的RShiny工具和R包,其中包含的功能可以传达微生物组和分组因子之间的整体关联,对发现的微生物的鲁棒性进行排名,并列出发现,其效应大小和个体丰度。
2020-09-17 stat.AP stat.ME
Hypothesis-driven mediation analysis for compositional data: an application to gut microbiome
本文提出一种假设驱动的成分数据中介分析方法,利用先验层级知识定义子成分对比,并通过参数线性模型估计微生物组介导效应,模拟与实证表明纤维摄入对胰岛素的影响以直接效应为主。
2024-06-28 stat.AP
Differential Co-Abundance Network Analyses for Microbiome Data Adjusted for Clinical Covariates Using Jackknife Pseudo-Values
提出SOHPIE-DNA方法,利用Jackknife伪值回归校正临床协变量,进行微生物组差异共丰度网络分析,在模拟中提升召回率和F1分数,并在真实数据中发现与癌症患者炎症和疲劳相关的分类单元。
2023-03-23 q-bio.QM stat.AP stat.ME
Modeling microbial abundances and dysbiosis with beta-binomial regression
使用来自总体的样本来估计具有特定类别标签的总体的比例是一个广泛重要的问题。在微生物组研究的背景下,当研究人员希望使用来自微生物种群的样本来估计特定分类群的种群比例时,就会出现这个问题,称为分类群的相对丰度。在本文中,我们提出了一个β-二项式模型。像现有的模型一样,我们的模型允许一个分类群的相对丰度与相关的协变量。然而,与现有的模型,我们的建议还允许过度分散在分类群的计数与协变量的利益。我们利用这个模型,以提出测试不仅为差分相对丰度,但也为差分变异。后者是特别有价值的推测,从一个正常的微生物组,可以发生在某些疾病条件下的扰动,可能会表现为一个稳定性的损失,或增加的变异性,与每个taxon. We相关的计数证明我们提出的模型的性能,使用模拟研究和应用土壤微生物数据。
2019-02-07 stat.ME
A stochastic method to estimate a zero-inflated two-part mixed model for human microbiome data
Universidad Carlos III de Madrid(马德里卡洛斯三世大学)
本文提出了一种基于SAEM算法的随机估计方法,用于零膨胀双部分混合模型,以更准确地分析人类微生物组数据中的存在和丰度变化。
2025-12-22 math.ST stat.ME stat.TH
DiPPER: A Bayesian approach to differential prevalence analysis with applications in microbiome studies
University of Turku(图尔库大学)
针对微生物组研究中差异流行率分析的边界问题和多重检验挑战,提出基于贝叶斯层次模型的DiPPER方法,在保持良好校准的族系错误率的同时,具有高灵敏度并在跨研究复现中优于现有方法。
2026-05-25 stat.AP stat.ME
Random graphical model of microbiome interactions in related environments
University of Trento(特伦托大学);Università della Svizzera italiana(瑞士意大利语联邦理工学院)
本文提出了一种随机图模型用于分析不同环境下的微生物相互作用,通过联合推断微生物系统并考虑外部协变量,揭示了微生物组结构相似性和个体差异。
2023-04-04 stat.ME
MIMIX: a Bayesian Mixed-Effects Model for Microbiome Data from Designed Experiments
生物信息学的最新进展使高通量微生物组数据广泛可用,需要新的统计工具来最大限度地利用从这些数据中获得的信息。例如,对来自设计实验的高维微生物组数据的分析仍然是微生物组研究中的一个开放领域。当代分析工作的指标,总结了微生物组的集体属性,但这种减少排除了对环境刺激对个别微生物类群的精细尺度的影响的推断。其他方法将单个分类群的比例或计数作为混合模型中的响应变量进行建模,但这些方法无法解释微生物群落之间的复杂相关模式。在本文中,我们提出了一种新的贝叶斯混合效应模型,该模型利用微生物组内的交叉类群相关性,我们称之为MIMIX(Microbiome混合模型)。MIMIX提供了处理效应的全球测试、对个体分类群的处理效应的局部测试和估计、异质来源对微生物组变异性的相对贡献的量化以及微生物组中潜在生态亚群落的鉴定。MIMIX是专为大型微生物组实验量身定制的,使用贝叶斯因子分析的组合来有效地表示分类群和贝叶斯变量选择方法之间的依赖性,以实现稀疏性。我们使用模拟实验和2x2析因实验的营养补充和草食动物排除对叶面真菌微生物组的$\textit{Andropogon gerardii}$,多年生束草,作为全球营养网络研究计划的一部分,我们证明了该模型。
2017-03-22 stat.ME
A tree-based model for addressing sparsity and taxa covariance in microbiome compositional count data
本文提出logistic-tree normal(LTN)生成模型,通过基于树的分解和多元logistic-normal分布灵活刻画微生物组数据的稀疏性与分类群协方差,并利用共轭分块Gibbs采样实现高效贝叶斯推断,在差异丰度分析中无需显式零膨胀成分即可准确生成零值比例。
2024-12-31 stat.AP stat.ME
It's All Relative: New Regression Paradigm for Microbiome Compositional Data
微生物组数据本质上是复杂的,涉及高维、组成、零膨胀和分类层次。组成数据驻留在不允许标准欧几里得几何的单纯形中。大多数现有的成分回归方法依赖于不充分或甚至不适当的建模数据与过多的零和分类结构的转换。我们开发了一个新的相对位移回归框架,直接使用组合物作为预测因子。新的框架为成分回归提供了一个范式转变,并提供了一个优越的生物学解释。新的等稀疏和分类指导的正则化方法和一个有效的平滑近端梯度算法,以促进回归的特征聚集和降维。因此,该框架可以自动识别临床相关的微生物,即使它们在不同的分类学水平上很重要。一个统一的有限样本预测误差界的建议正则化估计。我们证明了所提出的方法在广泛的模拟研究的有效性。应用于早产儿研究揭示了肠道微生物组与神经发育之间关联的新见解。
2020-11-11 stat.AP stat.ME
Phylogenetically informed Bayesian truncated copula graphical models for microbial association networks
微生物在宿主健康中起着关键作用。高通量测序技术的进步为更深入地了解微生物相互作用提供了机会。然而,由于16S核糖体RNA测序的限制,微生物组数据是零膨胀的,并且不能在受试者之间进行微生物丰度的定量比较。通过利用最近的微生物组分析技术,量化16S核糖体RNA微生物计数,我们提出了一种新的贝叶斯图形模型,通过系统发育树之前,并明确说明零通货膨胀使用截断高斯copula微生物的进化历史。我们的模拟研究表明,进化信息大大提高了网络估计的准确性。我们将所提出的模型应用于106名健康受试者的定量肠道微生物组数据,并确定了现有微生物网络估计模型无法确定的三种不同的微生物群落。我们进一步发现,这些社区是基于微生物利用氧气作为能源的能力来区分的。
2021-05-11 stat.ME
Bayesian modeling of co-occurrence microbial interaction networks
本研究提出基于加权随机无限块模型的贝叶斯非参数统计方法,通过半参数秩相关分析微生物共现网络结构,能自动聚类并确定群落数、解决标签切换问题,在模拟和真实尿路感染微生物组数据中聚类准确率更优,助力疾病研究。
2024-04-14 stat.ME
A generalized Bayesian stochastic block model for microbiome community detection
针对微生物组分类丰度数据特性导致的群落检测方法可靠性不足问题,提出结合改进型中心化对数比变换、可整合分类树信息的贝叶斯随机块模型,经模拟和真实尿液微生物组数据集验证性能更优,为微生物组研究提供新工具。
2023-08-28 stat.AP stat.CO stat.ME
Bayesian Nonparametric Ordination for the Analysis of Microbial Communities
人类微生物组研究使用测序技术来测量生物材料样品中细菌物种或操作分类单位(OTU)的丰度。通常,将数据组织在列联表中,其中OTU计数跨异质生物样品。在微生物生态学社区中,排序方法经常用于研究捕获和描述生物样品中OTU计数变化的潜在因素或聚类。评估每个生物样品的微生物分布的估计的不确定性如何传播到排序分析,包括聚类的可视化和生物样品在低维空间上的投影,仍然很重要。我们提出了一个贝叶斯分析的依赖分布,赋予经常使用的排序估计的不确定性。贝叶斯非参数先验的依赖归一化随机措施的构造,这是边际等价的归一化广义Gamma过程,一个著名的非参数分析的先验。在我们的先验知识中,微生物分布之间的依赖性和相似性由集中在低维空间中的潜在因素表示。我们在调整潜在因素的维度之前使用收缩。模型参数的后验样本可用于评估微生物组研究中常规应用的分析的不确定性。具体来说,通过将它们与多变量数据分析技术相结合,我们可以在生态排序图中可视化可信区域。通过模拟研究和两个微生物组数据集的应用说明了所提出的模型的特点。
2017-01-20 stat.AP stat.ME
A Semiparametric Quantile Single-Index Model for Zero-Inflated Outcomes
针对微生物组零膨胀数据,提出半参数单指数分位数回归模型,放宽参数假设,适应零比例变化,并证明其拟合性能优越。
2025-03-27 stat.AP stat.ME
Direct covariance matrix estimation with compositional data
针对成分数据无法使用标准方法估计协方差矩阵的问题,提出一种多协方差矩阵直接估计量,通过近端-近端梯度下降算法求解凸优化问题,支持跨群体信息共享并确保正定性,在高维模拟和慢性疲劳综合征微生物组数据分析中优于现有方法。
2024-04-24 stat.AP stat.ME
Dissecting Microbial Community Structure and Heterogeneity via Multivariate Covariate-Adjusted Clustering
University of Connecticut Health Center(康涅狄格大学健康中心);Department of Biostatistics, University of Michigan(密歇根大学生物统计系);Department of Statistics, University of Connecticut(康涅狄格大学统计学系)
该研究提出Dirichlet-多项混合回归(DMMR)模型,可联合聚类微生物组谱并考虑协变量的同异质性效应,经模拟验证有效,在儿科哮喘上呼吸道微生物组数据应用中揭示了关联临床特征的微生物亚型。
2026-07-31 q-bio.QM stat.AP stat.ME
Debiased high-dimensional regression calibration for errors-in-variables log-contrast models
针对含成分协变量的高维回归模型测量误差问题,提出线性对数对比模型专属校准方法,证明估计量渐近正态性,实验验证其降偏差、达预期置信区间覆盖率的效果,应用场景广泛。
2024-09-11 stat.ME stat.ML
Distributional Evaluation of Generative Models via Relative Density Ratio
University of Chicago(芝加哥大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出基于相对密度比的生成模型评估方法,通过有效估计RDR函数,实现对生成模型分布差异的精确评估,并揭示拟合质量的内在特征。
2025-12-26 stat.ME stat.ML
Models for transcript quantification from RNA-Seq
RNA测序正迅速成为转录组分析的标准技术。RNA测序的许多应用的基础是定量问题,其是来自测序读数的相对转录物丰度的准确测量。我们专注于这个问题,并回顾了许多最近发表的模型,用于估计相对丰度。除了描述模型和不同的推理方法外,我们还解释了方法之间的关系。一个关键的结果是,我们展示了如何推断与许多模型的结果在相同的估计相对丰度,即使模型配方可以是非常不同的。事实上,我们能够展示一个通用模型如何捕获以前发布的方法的许多元素。我们还回顾了RNA测序模型在差异分析中的应用,并解释了为什么准确的相对转录丰度估计对下游分析至关重要。
2011-05-13 q-bio.GN stat.ME