用于污水处理厂微生物动态的稀疏贝叶斯层次向量自回归模型
应用统计
2021-07-02 v1 定量方法
统计方法学
摘要
污水处理厂(WWTP)的正常运行依赖于维持众多竞争微生物之间的微妙平衡。详细理解其中复杂的相互作用网络,对于最大化当前运行效率以及有效设计新型处理技术都至关重要。宏基因组学通过分析存在的微生物 DNA 序列,为这些动态系统提供了洞见。通过序列聚类推断独特的分类单元,形成可操作分类单元(OTU),并从相应序列计数中获得各分类单元丰度估计。本研究的数据来自某 WWTP 活性污泥(AS)池的每周 OTU 计数。为对 OTU 动态建模,我们开发了贝叶斯层次向量自回归模型,它是常用广义 Lotka-Volterra (gLV) 模型的线性近似。为应对数据的高维与稀疏性,首先使用基于季节相位的方法将其聚类为 12 个“箱”。自回归系数矩阵被假定为稀疏的,因此我们在分析模拟数据集后探索了不同的收缩先验,进而为生物学应用选定正则化马蹄先验。我们发现氨与化学需氧量同数个箱呈正相关,而 pH 与一个箱呈正相关。这些结果得到生物学文献发现的支撑。我们识别出若干负向相互作用,表明不同箱中的 OTU 可能竞争资源且这些关系复杂。我们还识别出两个正向相互作用。尽管比 gLV 模型简单,我们的向量自回归为 WWTP 的微生物动态提供了有价值的洞见。
引用
@article{arxiv.2107.00502,
title = {A sparse Bayesian hierarchical vector autoregressive model for microbial dynamics in a wastewater treatment plant},
author = {Naomi E. Hannaford and Sarah E. Heaps and Tom M. W. Nye and Thomas P. Curtis and Ben Allen and Andrew Golightly and Darren J. Wilkinson},
journal= {arXiv preprint arXiv:2107.00502},
year = {2021}
}
备注
23 pages, 6 figures