Gli studi sul microbioma umano basati su tecniche di sequenziamento genetico producono
dati longitudinali compositivi delle abbondanze relative dei taxa microbici
col tempo, permettendo di comprendere, attraverso la modellazione a effetti misti, Come
le comunità microbiche si evolvono in risposta agli interventi clinici,
cambiamenti ambientali, o progressione della malattia. In particolare, lo Zero-Inflazionato
Regressione beta (ZIBR) modella congiuntamente e nel tempo la presenza e l'abbondanza
di ciascun taxon microbico, considerando la natura compositiva dei dati, suo
asimmetria, e la sovrabbondanza di zeri. Tuttavia, come per altri casuali complessi
modelli di effetti, la stima di massima verosimiglianza soffre di intrattabilità
degli integrali di verosimiglianza. I metodi di stima disponibili si basano sulla verosimiglianza
approssimazione, che è soggetto a potenziali limitazioni come stime distorte
o convergenza instabile. In questo lavoro sviluppiamo un massimo alternativo
approccio di stima della verosimiglianza per il modello ZIBR, basato sullo stocastico
Massimizzazione delle aspettative di approssimazione (SAEM) algoritmo. La proposta
la metodologia consente di modellare dati sbilanciati, cosa che non sempre è possibile
approcci esistenti. Forniamo anche stime degli errori standard e della
verosimiglianza del modello adattato. La prestazione dell'algoritmo è
stabilito attraverso la simulazione, e il suo utilizzo è dimostrato su due microbiomi
studi, mostrando la sua capacità di rilevare cambiamenti sia nella presenza che nell'abbondanza
dei taxa batterici nel tempo e in risposta al trattamento.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: