对相互信息方法进行比较分析,用于在元基因组数据中检测对对关系
Dallace Francis1, Fengzhu Sun2
1Quantitative and Computational Biology Department, University of Southern California, Los Angeles, CA, 90089, USA. dallacef@usc.edu.
BMC bioinformatics
|August 14, 2024
概括
相互信息 (MI) 能够比传统的相关性更好地检测元基因组数据中的非线性微生物关系. 这种方法增强了共发生网络的构建,以更全面地了解生物相互作用.
科学领域:
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
- 系统生物学 系统生物学
背景情况:
- 甲基因组共发生网络通常使用相关性来推断微生物关系.
- 基于相关性的方法可能会错过生物系统中普遍存在的复杂,非线性相互作用.
研究的目的:
- 探索相互信息 (MI) 估计,以量化生物数据中的对对关系.
- 将MI性能与皮尔森和斯皮尔曼相关系数进行比较.
主要方法:
- 应用了各种相互信息估计器.
- 在模拟的生态数据和真实C. diff感染数据上测试的指标.
- 将MI与皮尔森 (r) 和斯皮尔曼 (ρ) 相对应系数进行比较.
主要成果:
- 与相关系数相比,相互信息估计器对不对称关系的检测能力更强.
- MI估计器在识别剥削关系方面表现出更好的表现.
- MI可以揭示复杂的对联关系,而传统的关联测量无法揭示.
结论:
- 相互信息对于揭示生物数据中复杂的对对关系是有价值的.
- 将MI纳入并发网络构建中,提供了比单独的相关性更全面的分析.
- MI为未来的元基因组学研究提供了一个有前途的方法.
