超基因组:在横截面和纵向研究中微生物组数据的差异丰度分析的综合框架
Ahmed Abdelkader1, Nur A Ferdous2, Mohamed El-Hadidi1,3
1Bioinformatics Research Group, Center for Informatics Science (CIS), School of Information Technology and Computer Science (ITCS), Nile University, Giza, Egypt.
BMC bioinformatics
|July 21, 2025
概括
微生物群差异丰度 (DA) 分析的新方法通过将M值 (CTF) 规范化和中心逻辑比率 (CLR) 转换与通用估计方程 (GEE) 模型相结合,改善了生物标志物发现. 这种方法提供了增强的错误发现率 (FDR) 控制和在横截面和纵向研究中强大的性能.
科学领域:
- 微生物组研究的研究.
- 生物信息学是一种生物信息学.
- 统计建模 统计建模
背景情况:
- 差异丰度 (DA) 分析对于使用16S rRNA测序或猎枪元基因组学识别微生物生物标志物至关重要.
- 在DA分析中的挑战包括高维度,构成性,稀疏性和缺失的数据,限制统计能力和错误发现率 (FDR) 控制.
研究的目的:
- 开发一种新的,强大的方法,用于微生物组研究中的差异丰度分析.
- 改善微生物组数据分析中的统计能力和FDR控制之间的平衡.
主要方法:
- 一种新方法,将M值中小的平均值 (CTF) 规范化和中心日志比率 (CLR) 转换与通用估计方程 (GEE) 模型集成在一起.
- 与使用模拟和真实数据集 (横截面和纵向) 的八个既定工具进行基准测试.
主要成果:
- 拟议的方法显示出高灵敏度和特异性.
- 在FDR控制中表现优于多种工具,同时保持高灵敏度,与其他FDR控制方法不同.
- 与ALDEx2,limma-voom,ANCOM和ANCOM-BC2相比,在控制FDR方面取得了更高的性能.
结论:
- 这种新的方法有效地解决了微生物组DA分析对横截面和纵向数据的挑战.
- R包metaGEENOME为生物标志物发现提供了一个可扩展和统计学上稳健的解决方案.
- 提供了改进的FDR控制和微生物组生物标记物识别的增强性能.
更多相关视频
11:09An Analytical Tool-box for Comprehensive Biochemical, Structural and Transcriptome Evaluation of Oral Biofilms Mediated by Mutans Streptococci
Published on: January 25, 2011
17.9K
04:57Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size LEfSe in Microbiome Data
Published on: May 16, 2022
16.2K
