基于潜在图模型的微生物-代谢物关联网络推断
统计方法学
2025-06-17 v1
摘要
相关性网络常用于推断微生物与代谢物之间的关联。随后对得到的 p 值使用现有方法（如巴扎米尔-豪伯尔程序）进行多重比较校正，以控制假发现率（FDR）。然而，大多数现有方法用于 FDR 控制假设 p 值之间存在弱依赖关系。因此，这些方法在恢复那些具有重要拓扑特征（如密集关联模块的存在）的微生物-代谢物关联网络时可能缺乏统计功效。我们提出了一种新的推断程序，既能检测显著关联，又能控制 FDR。通过对潜在结构形式为二分随机块模型的网络进行建模，实现了功效提升。我们开发了变分期望最大化算法来估计模型参数，并将所学图纳入测试程序。除了 FDR 控制之外，该程序还提供了微生物和代谢物的模块聚类，这对于解释具有重要意义。我们在模拟研究和针对细菌阴道炎的实际应用中展示了所提方法的优势。
引用
@article{arxiv.2506.12275,
title = {Inference for microbe--metabolite association networks using a latent graph model},
author = {Jing Ma},
journal= {arXiv preprint arXiv:2506.12275},
year = {2025}
}
备注
30 pages, 4 figures