基于灵活微生物组特征聚类与选择的贝叶斯组成回归

微生物组剖析技术的持续进展使我们能够深入了解微生物社群的分子活动。这推动了对微生物组在支配人类健康方面发挥关键作用的科学兴趣，尤其是识别与感兴趣的临床结果相关的微生物特征。微生物组数据的多个方面限制了现有变量选择方法的适用性。特别是，微生物组数据是高维的、极稀疏的，并且是组成的。重要的是，尽管将这些特征分类为不同的菌属，但它们可能在功能上扮演相关角色。为了应对这些挑战，我们提出了一种新颖的组成回归方法，利用数据自适应聚类和变量选择特性的spiked Dirichlet 过程来识别功能角色相似的菌属。我们提出的方法称为贝叶斯回归，使用dirichLET过程实现的组成效应的聚类（BRACElet），使我们能够识别一组稀疏特征，其对结果具有相似的影响，从而实现维度缩减和模型解释。我们通过仿真研究和一个阐明口腔微生物组组成对胰岛素抵抗影响的应用，表明BRACElet优于现有方法。