[论文解读] Mixed Effect Dirichlet-Tree Multinomial for Longitudinal Microbiome Data and Weight Prediction

Yunfan Tang, Dan L. Nicolae|arXiv (Cornell University)|Jun 20, 2017

Gut microbiota and health参考文献 25被引用 6

一句话总结

本文提出了一种混合效应狄利克雷树多项式（DTM）模型，用于分析新生儿纵向微生物组数据，采用经验贝叶斯收缩法提升微生物比例估计的准确性，并实现基于随机森林的未来体重变化预测。通过微生物组推断的体重指标能显著预测短期体重波动，展示了其作为早期生命生长轨迹非侵入性预测工具的潜力。

ABSTRACT

Quantifying the relation between gut microbiome and body weight can provide insights into personalized strategies for improving digestive health. In this paper, we present an algorithm that predicts weight fluctuations using gut microbiome in a healthy cohort of newborns from a previously published dataset. Microbial data has been known to present unique statistical challenges that defy most conventional models. We propose a mixed effect Dirichlet-tree multinomial (DTM) model to untangle these difficulties as well as incorporate covariate information and account for species relatedness. The DTM setup allows one to easily invoke empirical Bayes shrinkage on each node for enhanced inference of microbial proportions. Using these estimates, we subsequently apply random forest for weight prediction and obtain a microbiome-inferred weight metric. Our result demonstrates that microbiome-inferred weight is significantly associated with weight changes in the future and its non-trivial effect size makes it a viable candidate to forecast weight progression.

研究动机与目标

• 开发一种稳健的统计模型，以考虑纵向微生物组数据的组成性、过度离散性和层次结构特征。
• 整合微生物分类群之间的系统发育关系，并调整年龄和当前体重等协变量。
• 通过在DTM框架上应用多尺度经验贝叶斯收缩法，提升微生物比例估计的准确性。
• 利用微生物组衍生的特征预测未来体重变化，并评估其预测能力。
• 提出一种基于微生物组成的微生物组推断体重指标，以捕捉纵向体重进展。

提出的方法

• 采用狄利克雷树多项式（DTM）模型，将狄利克雷-多项式分布扩展至系统发育树，对每个节点的微生物计数建模，考虑过度离散性和层次结构。
• 在DTM模型中引入随机效应，以考虑家庭内部相关性及多个时间点的纵向变异。
• 对系统发育树的每个节点应用经验贝叶斯收缩法，通过借用相关分类群的信息提升微生物比例估计的准确性。
• 将收缩后的残差作为输入特征，输入随机森林模型，以预测新生儿未来的体重变化（delta MWAZ）。
• 采用线性模型评估微生物组推断体重指标在标准协变量（如当前体重和年龄）之外的增量预测价值。
• 通过一个包含68名新生儿的队列验证模型性能，其体重数据在初始观察后5至30天内采集。

实验结果

研究问题

• RQ1 混合效应DTM模型能否有效处理纵向微生物组数据的组成性和层次结构特征，同时调整协变量？
• RQ2 在DTM模型上应用经验贝叶斯收缩法是否相比传统方法能提升微生物比例的估计精度？
• RQ3 基于DTM收缩估计推断的微生物组体重能否预测健康新生儿的未来体重变化？
• RQ4 微生物组推断体重指标相较于标准临床协变量，能提供多少额外的预测能力？
• RQ5 微生物组推断体重的预测性能在按年龄和性别划分的子组中是否保持一致？

主要发现

• 通过DTM收缩估计推导出的微生物组推断体重指标，在线性模型中对预测未来体重变化具有显著预测能力，回归系数估计为0.016（p值 = 6.00×10⁻⁴）。
• 在预测模型中引入微生物组推断体重后，R²从无该变量时的0.082提升至有该变量时的0.239，未调整R²提升了0.157。
• 调整后的R²提升了0.152，表明该指标具有显著的增量预测价值。
• 在年龄超过400天的儿童中，微生物组推断体重带来的预测增益最大，R²从0.130提升至0.331。
• 在按性别划分的子组中，模型表现出一致的预测性能：男性组R²提升0.171，女性组提升0.132。
• 部分残差图证实，在调整当前体重、年龄和近期体重变化后，微生物组推断体重与未来体重增长之间仍存在正向且统计显著的关联。