从食后代谢学数据中透露静态和动态生物标志物,通过合矩阵和张量因子分解
Lu Li1, Shi Yan2, David Horner3
1Department of Data Science and Knowledge Discovery, Simula Metropolitan Center for Digital Engineering, Oslo, Norway. lu@simula.no.
概括
这项研究整合了禁食和动态代谢学数据,以识别对象分层的静态和动态生物标志物,提高了精确的健康洞察力. 结合矩阵和张量因子化方法揭示了与BMI和VLDL代谢相关的共享模式.
科学领域:
- 代谢学 代谢学 代谢学
- 系统生物学 系统生物学
- 生物统计学 生物统计学
背景情况:
- 食物挑战中的纵向代谢学数据包含了与代谢健康相关的禁食和动态信号.
- 分析时间解决的代谢组作为三向阵列 (受试者,代谢物,时间) 揭示了动态标记物,但努力将静态和动态生物标记物与相同的受试者组联系起来.
- 现有的方法在提取静态和动态生物标志物以获得一致的受试者分层方面取得了有限的成功.
研究的目的:
- 共同分析禁食和动态代谢学数据,以全面了解代谢表型.
- 捕获相同主体分层中的静态和动态生物标志物,以提高医疗应用的精度.
- 通过整合不同的数据状态,提供代谢健康的完整图像.
主要方法:
- 利用合矩阵和张量分解 (CMTF) 共同分析禁食 (受试者按代谢物) 和动态 (受试者按代谢物按时间) 代谢学数据.
- 从COPSAC队列的雇员数据收集在一餐挑战测试期间.
- 在受试者模式中,合了张量 (动态数据) 和矩阵 (禁食数据).
主要成果:
- 数据融合方法成功地从禁食和动态代谢信号中提取了基于BMI的共享主体分层.
- 确定了与BMI相关的受试者分层相关的静态 (禁食VLDL) 和动态 (食后VLDL颗粒大小) 代谢生物标志物模式.
- 与独立分析禁食和食后状态相比,观察到主体量化和感兴趣的表型之间的相关性更高.
结论:
- 基于CMTF的方法有效地整合了静态和动态代谢学数据,以揭示相同主体分层的生物标志物.
- 这种方法通过识别在禁食和动态状态中存在的标记物,提供了更完整的代谢健康图片.
- 这些发现支持数据融合技术的实用性,通过全面的生物标志物发现来推进精确健康.
