针对小样本微生物组数据的共现网络差异表达分析的新方法

图结构机器学习方法在基因数据中识别和预测变化模式方面具有重要作用。特别是在药理基因组学中，对细胞水平表型效应的理解正加速发展。本文提出了一种新颖的图论方法，用于从 16S 微生物组数据中推断共现网络。该方法专门用于处理样本数较少的数据集。小数据集加剧了生物学数据所面临的诸多挑战，这些数据具有稀疏性、组成性以及相互作用复杂性等特征。还提出了数据丰富化和统计筛选推断网络的方法。该方法的实用性在于，从小样本数据中提取出信息丰富、生物学有意义且统计显著的网络。虽然该方法专为小数据集设计，而这些数据集又十分常见，但它可以普遍应用于任何小样本数据集，并且可以扩展到整合多组学数据。本文将该方法应用于一组经度疫苗接种后受到致病原子纤毛虫 Eimeria tenella 挑战的鸡群数据。对原始基因读数进行处理，并推断出描述鸡肠道生态系统在三种不同疾病发展阶段下的网络。通过分析网络特征的表达，从纯粹的统计方法中得出了生物学直观的结论。例如，节点特征分布的演化与疾病进程的进展相吻合。分布也揭示了生物种相互共生和寄生的簇集，正如预期的那样。此外，发现了一个在所有实验条件下都持续存在的特定亚网络，代表了一个持久的微生物群。