在微生物组样本的差异丰度分析中,分组规范化.
Dylan Clark-Boucher1, Brent A Coull2, Harrison T Reeder3
1Department of Biostatistics, Harvard TH Chan School of Public Health, Boston, MA, USA. dclarkboucher@fas.harvard.edu.
BMC bioinformatics
|July 29, 2025
概括
新的群体级正常化方法,群体相对日志表达式 (G-RLE) 和折断式总量缩放 (FTSS) 通过减少偏差和保持错误发现率来改善微生物测序数据的差异丰度分析.
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.
- 统计分析 统计分析
背景情况:
- 微生物测序数据在差异丰度分析 (DAA) 中存在挑战,原因是其组成性质,可能会影响绝对丰度比较.
- 现有的DAA规范化方法在高方差或组合偏差下难以控制错误发现率 (FDR).
- 规范化通常是样本级,但本研究将其重新概念化为小组级任务,以减轻偏见.
研究的目的:
- 为微生物测序数据引入一个新的群体级标准化框架.
- 在这个框架内,开发和评估新的规范化方法,分组相对逻辑表达式 (G-RLE) 和折断式总和缩放 (FTSS).
- 提高差异丰度分析的准确性和稳定性.
主要方法:
- 为组成数据开发了一个群智的规范化框架.
- 引入了两个新的规范化方法:G-RLE和FTSS.
- 使用基于模型和合成数据模拟的评估方法,将性能与现有的DAA规范化技术进行比较.
主要成果:
- 与现有方法相比,G-RLE和FTSS在识别差异丰富的种类中表现出更高的统计能力.
- 新的方法在其他方法失败的具有挑战性的模拟场景中成功保持了错误发现率.
- 使用FTSS规范化与MetagenomeSeq DAA方法一起实现了最佳性能.
结论:
- 拟议的组级规范化框架为组成序列计数数据的DAA提供了更强大的统计推理.
- 这些方法具有强大的数学基础,经过验证的性能和可用的软件,提高了微生物组研究的严谨性.
- 新的方法为可复制和可靠的微生物组数据分析提供了改进.


