Detectar y mitigar el sesgo de los dobles en los datos del microbioma: impactos en el aprendizaje automático y la...

Área de la Ciencia:

• Investigación del microbioma
• Biología computacional
• La bioinformática

Sus antecedentes:

• La similitud de la muestra del microbioma puede afectar los resultados analíticos.
• Las muestras muy similares, llamadas "parejas de duplicados", a menudo se pasan por alto en los estudios.
• Estos pares pueden introducir sesgo en el aprendizaje automático y los análisis estadísticos.

Objetivo del estudio:

• Investigar el impacto de los pares de doppelgängers en el análisis de los datos del microbioma.
• Cuantificar la inflación del rendimiento del aprendizaje automático y el sesgo en las pruebas estadísticas causadas por estos pares.
• Evaluar el efecto de la eliminación de pares de doppelgängers en la estabilidad analítica y la interpretabilidad biológica.

Principales métodos:

• Se analizaron conjuntos de datos de microbioma simulados y del mundo real (16S, metagenómica de escopeta).
• Los modelos de aprendizaje automático (KNN, SVM, Random Forest) fueron entrenados y evaluados con y sin pares de doppelgänger.
• Se realizaron pruebas de asociación estadística y análisis de redes microbianas.
• Se evaluó el impacto de la eliminación de pares de doppelgänger en la precisión de la clasificación, las tasas de falsos positivos, la estabilidad del tamaño del efecto y la topología de la red.

Principales resultados:

• Incluso una pequeña proporción (1-10%) de pares de doppelgänger aumentó significativamente el rendimiento del aprendizaje automático (aumento de precisión del 15-30%).
• Los pares de duplicados sesgaron las pruebas estadísticas, aumentando las tasas de falsos positivos y reduciendo la estabilidad del tamaño del efecto.
• La eliminación de los pares de doppelgänger redujo la varianza de arranque hasta en un 28,3% y produjo redes microbianas más estables.
• Estos efectos fueron consistentes en diferentes tipos de datos y cohortes de enfermedades (CRC, IBD, CDI, obesidad).

Conclusiones:

• Los pares de dobles son una fuente significativa de ruido analítico y descubrimientos falsos en la investigación del microbioma.
• La contabilización de muestras muy similares es esencial para obtener información robusta y biológicamente significativa sobre el microbioma.
• La eliminación de pares de doppelgängers mejora la precisión y la fiabilidad del aprendizaje automático y los análisis estadísticos en los estudios de microbiomas.