Bayesian compositional generalized linear models for analyzing microbiome data

doi:10.1002/sim.9946

Bayesian compositional generalized linear models for analyzing microbiome data

2023-11-20

0

PRE

AI

DOI：10.1002/sim.9946

原文链接

原文求助

摘要

En 中文

微生物组对人类健康和疾病的关键影响已引起科学界的广泛关注。研究人员试图将微生物组特征与健康状况联系起来，旨在预测疾病并开发个性化医疗策略。然而，由于微生物组数据的重要特征，传统模型的实用性受到限制。具体而言，观测到的数据是构成性的，因为每个样本内的计数受固定总和约束。此外，微生物组数据通常具有高维性，其中变量数量超过可用样本数。此外，表现出表型相似的微生物组特征通常对响应变量具有相似的影响。为解决这些数据结构方面带来的挑战，我们提出了用于分析微生物组数据的贝叶斯构成广义线性模型（BCGLM），该模型采用结构化正则化马蹄形先验对构成系数进行建模，并通过先验分布施加系数的软和为零约束。我们使用R包rstan中的马尔可夫链蒙特卡洛（MCMC）算法拟合所提出的模型。通过广泛的模拟研究评估了所提出方法的表现。模拟结果表明，我们的方法在系数估计精度和预测误差方面优于现有方法。我们还将该方法应用于微生物组研究，以寻找与炎症性肠病（IBD）相关的微生物。为使本研究可重现，本文使用的代码和数据可在https://github.com/Li-Zhang28/BCGLM获取。

Bayesian compositional generalized linear models for analyzing microbiome data

摘要

期刊

机构

引用论文