分组样本中基于 Fused Lasso 的共现网络推断精度提高
机器学习
2025-10-15 v3 种群与进化
摘要
共现网络推断算法已经显著推动了我们对微生物社群的理解。然而，这些算法通常只分析单个生态环境中样本内的微生物关联，往往只捕捉静态的快照而非动态的微生物过程。以往的研究常将来自不同生态环境的样本合并而不充分考虑微生物社群在面对不同生态条件时的关联调整。我们的研究通过明确探讨微生物社群的空间和时间动态来克服这一限制。我们分析了跨多个位置和时间点可得的微生物丰度数据，以评估 SAC 框架在预测微生物关联方面的算法性能。SAC 在两种不同场景下评估算法：Same 场景中进行训练和测试，以及 All 场景中进行训练和测试。为克服常规算法的局限性，我们提出了 fuser 算法——这种算法虽然在机器学习中并不新颖，但在微生物社群网络推断方面却是新颖的。它在保持亚样本特异信号的同时，能够在训练期间跨环境共享相关信息。与标准方法推断单一泛化网络不同，fuser 生成特定于环境的预测网络。我们的结果表明，fuser 在 Same 场景下表现出与现有算法如 glmnet 相当的预测性能，并且在 All 场景中显著降低了测试误差。
引用
@article{arxiv.2509.09413,
title = {Fused Lasso Improves Accuracy of Co-occurrence Network Inference in Grouped Samples},
author = {Daniel Agyapong and Briana H. Beatty and Peter G. Kennedy and Jane C. Marks and Toby D. Hocking},
journal= {arXiv preprint arXiv:2509.09413},
year = {2025}
}