使用隐性图形模型推断微生物-代谢物协会网络
1Division of Public Health Sciences, Fred Hutchinson Cancer Center, Seattle, WA 98109, United States.
Biometrics
|March 10, 2026
概括
这项研究引入了一种新的方法,通过建模网络结构,提高准确性和控制错误发现来找到微生物代谢物协会,以获得更好的生物学见解.
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.
- 网络科学 网络科学
背景情况:
- 相关性网络被广泛用于推断微生物与代谢物之间的关联.
- 现有的错误发现率 (FDR) 控制方法通常假定依赖性较弱,限制复杂网络的功率.
研究的目的:
- 开发一种新的推断程序,以检测微生物-代谢物协会,并增强功率和FDR控制.
- 整合潜伏网络结构,以改善关联推断.
主要方法:
- 提出了一种新的推断程序,使用双边随机区块模型来捕获潜在网络结构.
- 开发了一个可变期望最大化 (EM) 算法,用于参数估计和图形学习.
- 将学习图形集成到关联检测的统计测试程序中.
主要成果:
- 与现有方法相比,拟议的方法在检测显著的微生物代谢物关联方面表现出更强的能力.
- 该程序有效控制了错误发现率 (FDR).
- 该方法提供了微生物和代谢物的模块集群,有助于生物解释.
结论:
- 新的推断程序为分析微生物-代谢物协会网络提供了一种强大而可靠的方法.
- 模拟潜伏网络结构可以提高对重要关联和网络拓学的检测.
- 该方法适用于生物数据集,例如细菌性阴道炎的分析.


