Un marco híbrido para el descubrimiento de biomarcadores de enfermedades en la investigación del microbioma que...

Área de la Ciencia:

• Investigación del microbioma
• Inferencia de redes
• Aplicaciones de aprendizaje automático en ecología

Sus antecedentes:

• Los estudios del microbioma enfrentan desafíos en la construcción de redes de asociación microbiana precisas.
• La identificación de taxones microbianos específicos relacionados con enfermedades es crucial para comprender las interacciones huésped-microbio.
• Los métodos existentes para la inferencia de redes y la selección de características tienen limitaciones en fiabilidad e interpretabilidad.

Objetivo del estudio:

• Desarrollar un paquete R robusto (CMIMN) para inferir redes de interacción microbiana utilizando un marco bayesiano.
• Crear un enfoque de red de consenso integrando múltiples métodos de inferencia para una mayor fiabilidad.
• Diseñar un marco de selección de características multimétodo que combine aprendizaje automático y análisis de redes para la identificación de taxones asociados a enfermedades.

Principales métodos:

• Desarrollo del paquete R CMIMN utilizando información mutua condicional para la inferencia de redes bayesianas.
• Construcción de una red de microbioma de consenso integrando CMIMN con SPIEC-EASI, SPRING y SPARCC.
• Implementación de un pipeline de aprendizaje automático y estrategias basadas en redes (diferencias de centralidad, puntuación compuesta) para la selección de características.

Principales resultados:

• El paquete CMIMN demostró robustez a través del análisis de bootstrap en datos del microbioma del suelo.
• El enfoque de red de consenso mejoró la estabilidad y la interpretabilidad biológica de las relaciones microbianas.
• El marco multimétodo identificó con éxito taxones microbianos del suelo clave asociados con la enfermedad de la sarna común de la patata, incluyendo filos, clases y órdenes específicos.

Conclusiones:

• CMIMN proporciona una herramienta fiable para la inferencia de redes microbianas.
• La red de consenso y la selección de características multimétodo aumentan la confianza en la identificación de microbios asociados a enfermedades.
• Este enfoque integrado avanza la comprensión de los roles del microbioma del suelo en las enfermedades de las plantas.