Evaluating microbial network inference methods: moving beyond synthetic data with reproducibility-driven benchmarks

Zahra Ghaeli

doi:10.1186/s12859-026-06510-3

Evaluating microbial network inference methods: moving beyond synthetic data with reproducibility-driven benchmarks

2026-06-20

0

OA

AI

DOI：10.1186/s12859-026-06510-3

原文链接

原文求助

摘要

En 中文

微生物网络推断是揭示微生物群落内部复杂相互作用的关键方法。然而，缺乏实验验证的金标准给推断网络的生物学准确性评估带来了显著障碍。本研究对六种广泛使用的微生物网络推断算法在四个多样化的真实世界微生物组数据集及计算生成的样本（包括合成、含噪声和自举衍生变体）上进行了全面的比较评估。我们的评估框架超越了传统的合成基准测试，强调基于生物学上合理的扰动进行可重复性导向的评估。分析结果表明，自举重采样和低水平噪声数据集（$\le$10%扰动）能有效保留真实微生物组数据的关键统计特性，可作为评估算法一致性的可靠代理。相反，通过广泛使用的SPIEC-EASI方法生成的合成数据集与真实数据存在显著差异。值得注意的是，多种算法未能区分结构化网络和随机网络，凸显了其结构敏感性的不足以及对过度依赖合成基准的局限性。本研究为微生物组研究界提供了关键见解，强调需要更可靠和广泛适用的网络评估方法。我们提出了一个优先考虑真实数据衍生扰动并强制要求对合成数据集进行严格统计验证的基准测试框架。研究发现，在缺乏生物学金标准验证的情况下，鲁棒性和可重复性分析作为微生物网络推断方法的补充评估标准具有重要意义。

Keyword:

Microbiome network inference

Benchmarking

Bootstrap sampling

Noisy data

Reproducibility

Evaluating microbial network inference methods: moving beyond synthetic data with reproducibility-driven benchmarks

摘要

期刊

机构

引用论文