.png){kind=icon}
返回
Bayesian compositional generalized linear mixed models for disease prediction using microbiome data
.png){kind=icon}
OA
AI
DOI：10.1186/s12859-025-06114-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测组成性微生物组数据建模的主要目标是基于微生物物种的相对丰度，更好地理解和预测疾病易感性。该领域的当前方法通常假设高维稀疏设置，其中仅考虑一小部分微生物组特征与结果相关。然而，在现实数据中，大效应和小效应经常共存，承认小效应的贡献可以显著提升预测性能。为应对这一挑战，我们开发了用于分析微生物组数据的贝叶斯组成广义线性混合模型（BCGLMM）。BCGLMM能够识别中等效应的菌种以及大量微小菌种的累积影响，而这些在传统模型中常被忽略。通过引入稀疏性诱导先验——结构化正则化马蹄形先验，BCGLMM有效整合了系统发育相关的中等效应。随机效应项通过在其方差-协方差矩阵中纳入样本相似性，高效捕捉与样本相关的微小效应。我们使用rstan实现了基于马尔可夫链蒙特卡罗（MCMC）算法的所提模型拟合。通过广泛的模拟研究评估了所提方法的性能，结果表明其相较于现有方法具有更高的预测精度。随后，我们将所提方法应用于美国肠道项目数据（American Gut Data）以预测炎症性肠病（IBD）。为确证可重复性，本文使用的代码和数据可在https://github.com/Li-Zhang28/BCGLMM获取。
Keyword:
Bayesian models
Compositional data
Mixed model
MCMC
Microbiome
期刊
IF:
3.3
论文数:
655
被引数:
5.2W
机构
引用论文
Scale-Invariant Biomarker Discovery in Urine and Plasma Metabolite Fingerprints尿液和血浆代谢物指纹中的尺度不变生物标志物发现
OAAI
OAAI分享收藏Bayesian compositional regression with structured priors for microbiome feature selection.png)
BiometricsOAAI
BiometricsIF0
OAAI分享收藏Bayesian compositional generalized linear models for analyzing microbiome data贝叶斯组合广义线性模型用于分析微生物组数据
PREAI
分享收藏
查看更多内容