Les études sur le microbiome humain basées sur des techniques de séquençage génétique produisent
données longitudinales sur la composition des abondances relatives des taxons microbiens
au fil du temps, permettant de comprendre, grâce à la modélisation à effets mixtes, comment
les communautés microbiennes évoluent en réponse aux interventions cliniques,
changements environnementaux, ou progression de la maladie. En particulier, le zéro-gonflé
Régression bêta (ZIBR) modélise conjointement et dans le temps la présence et l’abondance
de chaque taxon de microbes, compte tenu de la nature compositionnelle des données, c'est
asymétrie, et la surabondance de zéros. Cependant, comme pour les autres aléatoires complexes
modèles d'effets, l’estimation du maximum de vraisemblance souffre de la difficulté
des intégrales de vraisemblance. Les méthodes d'estimation disponibles reposent sur la log-vraisemblance
approximation, qui est sujet à des limitations potentielles telles que des estimations biaisées
ou convergence instable. Dans ce travail, nous développons un maximum alternatif
approche d'estimation de vraisemblance pour le modèle ZIBR, basé sur le stochastique
Approximation Attente Maximisation (SAEM) algorithme. Le proposé
la méthodologie permet de modéliser des données déséquilibrées, ce qui n'est pas toujours possible dans
approches existantes. Nous fournissons également des estimations des erreurs types et des
log-vraisemblance du modèle ajusté. Les performances de l'algorithme sont
établi par simulation, et son utilisation est démontrée sur deux microbiome
études, montrant sa capacité à détecter les changements de présence et d’abondance
des taxons bactériens au fil du temps et en réponse au traitement.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: