Studien zum menschlichen Mikrobiom, die auf genetischen Sequenzierungstechniken basieren, produzieren
Längsschnittdaten zur Zusammensetzung der relativen Häufigkeit mikrobieller Taxa
im Laufe der Zeit, verstehen lassen, durch Mixed-Effects-Modellierung, Wie
Mikrobielle Gemeinschaften entwickeln sich als Reaktion auf klinische Interventionen,
Umweltveränderungen, oder Krankheitsprogression. Insbesondere, der Zero-Inflated
Beta-Regression (ZIBR) modelliert gemeinsam und im Laufe der Zeit die Präsenz und Fülle
jedes Mikrobentaxons, unter Berücksichtigung der Zusammensetzung der Daten, es ist
Schiefe, und die Überfülle an Nullen. Jedoch, wie für andere komplexe Zufälle
Effektmodelle, Die Maximum-Likelihood-Schätzung leidet unter der Unlösbarkeit
von Wahrscheinlichkeitsintegralen. Verfügbare Schätzmethoden basieren auf der Log-Likelihood
Annäherung, Dies ist anfällig für potenzielle Einschränkungen wie verzerrte Schätzungen
oder instabile Konvergenz. In dieser Arbeit entwickeln wir ein alternatives Maximum
Wahrscheinlichkeitsschätzungsansatz für das ZIBR-Modell, basierend auf der Stochastik
Annäherung, Erwartungsmaximierung (SAEM) Algorithmus. Das vorgeschlagene
Die Methodik ermöglicht die Modellierung unausgeglichener Daten, was nicht immer möglich ist
bestehende Ansätze. Wir bieten auch Schätzungen der Standardfehler und der
Log-Likelihood des angepassten Modells. Die Leistung des Algorithmus ist
durch Simulation ermittelt, und seine Verwendung wird an zwei Mikrobiomen demonstriert
Studien, zeigt seine Fähigkeit, Veränderungen sowohl in der Präsenz als auch in der Häufigkeit zu erkennen
von Bakterientaxa im Laufe der Zeit und als Reaktion auf die Behandlung.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: