MetaHD:用于代谢学数据的多变量元分析模型
Jayamini C Liyanage1, Luke Prendergast1, Robert Staudte1
1Mathematics and Statistics, School of Computing, Engineering and Mathematical Sciences, La Trobe University, Kingsbury Dr, VIC 3086, Australia.
Bioinformatics (Oxford, England)
|July 25, 2024
概括
一个新的多变量元分析模型,MetaHD,通过计算代谢物相关性和缺失数据,改善了代谢学中的生物标志物识别. 这种方法比现有方法提供了更准确的结果,特别是当数据不完整时.
科学领域:
- 代谢学 代谢学 代谢学
- 生物信息学是一种生物信息学.
- 统计遗传学 统计遗传学
背景情况:
- 目前对代谢学数据的元分析方法经常忽略代谢物相关性,缺失值和研究差异.
- 这种监督可能会导致统计学上不理想的结果和不准确的生物标志物识别.
- 现有的方法可能会产生偏差的估计,特别是在缺少数据的情况下.
研究的目的:
- 介绍MetaHD,一种用于高维代谢学数据的新型多变量元分析模型.
- 通过结合代谢物相关性,差异和缺失值来解决现有方法的局限性.
- 提高生物标志物发现在多项研究代谢学分析的准确性和可靠性.
主要方法:
- 开发了一种用于高维代谢学数据的多变量元分析模型 (MetaHD).
- 该模型容纳了代谢物之间的相关性,研究内部和研究之间的差异以及缺失值.
- MetaHD可以整合个人级别的数据,并结合总结估计.
主要成果:
- 与现有的元分析方法相比,MetaHD显示了较低的根平均平方误差.
- 该模型有效地利用了代谢物的"借用力"概念,提高了缺少数据的性能.
- 与MetaHD不同的是,单变量方法在缺少数据的情况下显示了偏差估计.
结论:
- MetaHD为代谢学元分析提供了一个统计学上强大的框架.
- 该模型提高了生物标记物识别的准确性,特别是在缺失值的复杂数据集中.
- 在CRAN上可以获得MetaHD R包,并提供了详细的文档.
