CoMMiT：基于迁移学习的微生物-代谢物相互作用的协同推断
统计方法学
2025-07-01 v1 基因组学
应用统计
摘要
最近的多组学微生物研究使对微生物和代谢物的整合分析成为可能，揭示了它们与各种宿主条件之间的关联。这些分析需要能够处理微生物和代谢物之间复杂相关结构的多变量模型。然而，现有的多变量模型常常由于样本量小和生物信号弱，难以检测微生物-代谢物相互作用。为了应对这些挑战，我们引入 CoMMiT，该方法通过 novel 迁移学习模型进行微生物-代谢物相互作用的协同推断。与传统迁移学习方法不同，CoMMiT 利用单个队列内代谢物之间的相似性，减少了由于跨研究中测序平台和生物信息学管道差异导致的负迁移风险。CoMMiT 在辅助代谢物在目标代谢物上是否具有信息的灵活假设下运行，无需每个辅助代谢物本身都具有信息。CoMMiT 使用 novel 数据驱动方法选择最优的辅助代谢物集合。使用该最优集合，CoMMiT 采用去偏框架以高效计算 p 值，促进对统计显著的微生物-代谢物相互作用的识别。将 CoMMiT 应用于喂养研究后，揭示了在低糖负荷饮食下，微生物-代谢物之间存在具有生物学意义的相互作用，展示了通过肠道代谢实现的饮食-宿主联系。
关键词
引用
@article{arxiv.2506.24013,
title = {CoMMiT: Co-informed inference of microbiome-metabolome interactions via transfer learning},
author = {Leiyue Li and Chenglong Ye and Tim Randolph and Meredith Hullar and Johanna Lampe and Marian Neuhouser and Daniel Raftery and Yue Wang},
journal= {arXiv preprint arXiv:2506.24013},
year = {2025}
}
备注
38 pages, 5 figures