用贝叶斯网络回归模型确定生物表型中的微生物驱动因子
摘要：贝叶斯网络回归模型在连续响应的预测中将网络视为预测变量。这些模型已成功应用于大脑研究中，以识别与特定人类特征相关的大脑区域，然而它们在揭示生物表型微生物驱动因子方面的潜力对于微生物组研究尚不明确。特别是，与大脑网络相比，微生物网络由于高维度和高稀疏性而具有挑战性。此外，与大脑连接组研究不同，微生物组研究通常预期微生物的存在对响应产生影响（主要效应），而不仅仅是相互作用。在这里，我们首次全面调查贝叶斯网络回归模型在多种合成数据上是否适用于微生物数据集，在这些数据集中根据现实生物场景生成了数据。我们测试了仅考虑相互作用效应（网络中的边缘）的贝叶斯网络回归模型是否能够识别表型变异（微生物）的关键驱动因子。我们展示了在大多数生物设置中，该模型确实能够识别微生物网络中推动表型变化的有影响力的节点和边缘，但我们也确定了该方法表现不佳的情况，从而为希望将这些工具应用于自己的数据集的领域科学家提供实用建议。最后，我们在https://github.com/solislemuslab/BayesianNetworkRegression.jl中实现了这个模型，并将其作为一个公开可用的Julia软件包。
作者：Samuel Ozminkowski and Claudia Solis-Lemus
论文ID：2208.05600
分类：Applications
分类简称：stat.AP
提交时间：2023-04-05