Evaluación de métodos para la mediación de alta dimensionalidad en datos de metabolómica

Área de la Ciencia:

• Metabolómica
• Genética Estadística
• Bioinformática

Sus antecedentes:

• Los datos de alta dimensionalidad en metabolómica presentan desafíos para el análisis de mediación.
• Los métodos existentes como HIMA y HDMA requieren evaluación de precisión y escalabilidad.
• Comprender los efectos indirectos es crucial para dilucidar las vías biológicas.

Objetivo del estudio:

• Comparar el rendimiento de los métodos de análisis de mediación de alta dimensionalidad (HIMA, HDMA) y el enfoque Meet-in-the-Middle (MITM).
• Evaluar la precisión en la estimación de los efectos indirectos totales (TIE) y los efectos indirectos componentes (CIE).
• Evaluar la sensibilidad y especificidad en varios escenarios de simulación.

Principales métodos:

• Datos de metabolómica simulados con tamaños de muestra variables, tamaños de conjuntos de mediadores y estructuras de correlación.
• Evaluación de HIMA (Zheng et al.) y HDMA (Gao et al.) para estimar TIE y CIE.
• Evaluación del enfoque Meet-in-the-Middle (MITM) y sus métricas de rendimiento.

Principales resultados:

• HDMA proporcionó las estimaciones TIE más precisas en escenarios de metabolitos independientes; HIMA también mostró una estimación CIE confiable.
• MITM generalmente subestimó TIE; las estimaciones TIE de HIMA mejoraron con tamaños de efecto de mediación más grandes.
• En entornos correlacionados, la estimación CIE no fue factible y todos los métodos subestimaron TIE; la sensibilidad disminuyó con efectos y tamaños de muestra más pequeños.

Conclusiones:

• HIMA ofrece resultados de mediación precisos pero puede reducir la dimensionalidad, excluyendo potencialmente características.
• Se recomienda aplicar enfoques de mediación paralela (MITM, HIMA) y centrarse en resultados superpuestos.
• Existe la necesidad de métodos de mediación robustos y escalables específicamente para datos de metabolómica no dirigidos.