基于不规则间隔的纵向16S rRNA基因测序数据识别静止微生物相互作用网络

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.
• 计算生物学 计算生物学

背景情况:

• 人类微生物群的相互作用是复杂的,并且难以纵向研究.
• 目前用于识别微生物相互作用网络 (MINs) 的现有方法具有严格的数据要求.
• 这些局限性阻碍了对真实世界微生物组数据的分析,经常违反现有模型的假设.

研究的目的:

• 从一般的纵向微生物组数据开发一个新的计算框架来识别MINs.
• 克服现有方法的局限性,例如序列长度和间隔约束.
• 能够在各种生物环境中对微生物组动态进行可靠的分析.

主要方法:

• 提出了一个静止高斯图形模型 (SGGM) 来分析16S rRNA基因测序数据.
• 开发了使用图形 LASSO 的 EM 类型算法,以高效地估计 MIN.
• SGGM可以容纳任意间隔的数据和可变的序列长度.

主要成果:

• 模拟显示,拟议的算法显著优于具有高纵向数据相关性的传统方法.
• 即使SGGM假设被违反 (例如零通货膨胀,异质社区),算法也表现出稳健性.
• 对囊性纤维化患者数据的应用揭示了MINs和家族遗传相关性之间的关联,支持基因相似的种群更容易相互作用.

结论:

• 基于SGGM的新算法为微生物相互作用网络推断提供了一种灵活而强大的方法.
• 这些发现凸显了家族遗传关系在塑造微生物社区结构中的重要性.
• 该方法具有在其他"omics"数据中进行网络分析的潜力,例如基因组学和代谢学.