微生物组中动态区制的推断
应用统计
2017-12-04 v1
摘要
已有许多研究表征微生物组在一系列环境背景下的动态与稳定性[Costello et al., 2012, Faust et al., 2015]。例如，识别某些分类群具有有趣行为模式的时间区间通常是令人关注的。抽象地看，这些问题往往不仅具有时间序列建模的特征，还具有区制检测的特征，后者在包括语音识别[Fox et al., 2011]、金融[Lee, 2009]、EEG分析[Camilleri et al., 2014]和地球物理[Weatherley and Mora, 2002]等多种应用中拥有丰富历史。尽管存在平行之处，区制检测方法很少用于微生物组分析，很可能是因为这类方法的参考文献分散于若干文献中、描述在有限研究群体之外难以理解、且实现难以获取。我们提炼了不同区制检测方法的核心思想，提供了示例应用，并分享了可复现代码，使这些技术对微生物组研究者更易获取。我们使用分类与回归树（CART）[Breiman et al., 1984]、隐马尔可夫模型（HMMs）[Rabiner and Juang, 1986]、贝叶斯非参数HMMs[Teh and Jordan, 2010, Fox et al., 2008]、高斯过程混合（GPs）[Rasmussen and Ghahramani, 2002]、切换动力系统[Linderman et al., 2016]和多变点检测[Fan and Mackey, 2015]，重新分析了Dethlefsen和Relman[2011]关于抗生素对微生物组影响的研究数据。在此过程中，我们总结了每种方法、它们与微生物组的相关性，以及使用它们相关的权衡。最终，我们的目标是描述可纳入微生物组动态研究的时间或区制切换结构的类型。
引用
@article{arxiv.1712.00067,
title = {Inference of Dynamic Regimes in the Microbiome},
author = {Kris Sankaran and Susan P. Holmes},
journal= {arXiv preprint arXiv:1712.00067},
year = {2017}
}