高维微生物组计数数据的贝叶斯因子分析模型
统计方法学
2024-04-25 v2
摘要
降维技术是分析高维数据最重要的分析工具之一。广义主成分分析(PCA)是标准 PCA 的扩展，已广泛用于识别高维离散数据（如二值、多类别和计数数据）中的低维特征。特别是对于微生物组计数数据，多项 PCA 是标准 PCA 的自然对应物。然而，该技术无法解释微生物组计数数据中频繁观察到的大量零值。为了允许稀疏性，可以使用零膨胀多元分布。我们提出了一种用于潜因子分析的零膨胀概率 PCA 模型。所提出的模型是一种完全贝叶斯因子分析技术，适用于微生物组计数数据分析。此外，我们使用平均场型变分族来近似边际似然，并开发了一种分类变分近似算法来拟合模型。我们通过模拟实验证明了该方法在基于潜因子和模型参数进行预测时的有效性，展示了其相对于竞争方法的优越性。两个真实的微生物组计数数据集进一步说明了这种有效性。该方法在 R 中实现。
引用
@article{arxiv.2404.03127,
title = {A Bayesian factor analysis model for high-dimensional microbiome count data},
author = {Ismaïla Ba and Maxime Turgeon and Simona Veniamin and Juan Joel and Richard Miller and Morag Graham and Christine Bonner and Charles N. Bernstein and Douglas L. Arnold and Amit Bar-Or and Ruth Ann Marrie and Julia O'Mahony and E. Ann Yeh and Brenda Banwell and Emmanuelle Waubant and Natalie Knox and Gary Van Domselaar and Ali I. Mirza and Heather Armstrong and Saman Muthukumarana and Kevin McGregor},
journal= {arXiv preprint arXiv:2404.03127},
year = {2024}
}
备注
2 figures, 3 tables