Bayesian Sparse Regression for Microbiome-Metabolite Data Integration

Jiang, Kai

doi:10.1002/sim.70607

Bayesian Sparse Regression for Microbiome-Metabolite Data Integration

2026-05-25

0

PRE

AI

Christine B. Peterson *

DOI：10.1002/sim.70607

原文链接

原文求助

摘要

En 中文

大量研究表明，微生物代谢物（代表人类肠道细菌的产物）在塑造癌症风险和治疗反应中发挥关键作用。然而，代谢物数据通常包含大量缺失值，这可能源于低丰度或数据处理的技术挑战。此外，鉴于微生物组数据的构成性特征（观测到的丰度只能在相对尺度上解释），标准变量选择方法不适用。在本项目中，我们提出了一种新颖的贝叶斯回归方法，以解决代谢物与微生物组数据整合中的这些挑战。我们提出模型的关键特征包括：建模代谢物数据中两种不同的缺失机制，并采用一种针对微生物组数据构成性特征的贝叶斯先验。我们在模拟数据上证明，我们提出的模型能够准确填补未观测的代谢物真值，并正确选择相关的微生物组预测变量。此外，我们使用一项聚焦于理解结直肠癌中微生物组与代谢组相互作用的真实数据研究，进一步说明我们的方法。

Keyword:

Bayesian variable selection

compositional covariates

metabolite data

microbiome data analysis

missing value imputation

Bayesian Sparse Regression for Microbiome-Metabolite Data Integration

摘要

期刊

机构

引用论文