The microbiome constitutes a complex microbial ecology of interacting components that regulates important pathways in the host. Measurements of microbial abundances are key to learning the intricate network of interactions amongst microbes. Microbial communities at various body sites tend to share some overall common structure, while also showing diversity related to the needs of the local environment. We propose a computational approach for the joint inference of microbiota systems from metagenomic data for a number of body sites. The random graphical model (RGM) allows for heterogeneity across the different environments while quantifying their relatedness at the structural level. In addition, the model allows for the inclusion of external covariates at both the microbial and interaction levels, further adapting to the richness and complexity of microbiome data. Our results show how: the RGM approach is able to capture varying levels of structural similarity across the different body sites and how this is supported by their taxonomical classification; the Bayesian implementation of the RGM fully quantifies parameter uncertainty; the microbiome network posteriors show not only a stable core, but also interesting individual differences between the various body sites, as well as interpretable relationships between various classes of microbes.


翻译:微生物组构成了一个复杂的微生物生态系统,调节了宿主的重要途径。微生物丰度的测量是了解微生物之间错综复杂的相互作用网络的关键。不同体位的微生物共同体往往有一些总体的共同结构,同时展现出与当地环境需求相关的多样性。我们提出了一种计算方法,通过微生物组学数据,共同推断多个身体部位的微生物组系统。随机图模型(RGM)允许在不同的环境中存在异质性,同时在结构上量化它们的相关性。此外,该模型允许在微生物和相互作用层面上包括外部协变量,进一步适应微生物组数据的丰富性和复杂性。我们的结果表明如下:RGM方法能够捕获不同身体部位之间不同水平的结构相似性,并得到其分类学上的支持。贝叶斯实现的RGM完全量化了参数不确定性; 微生物组网络后验不仅显示出稳定的核心结构,还显示出各个身体部位之间的有趣的个体差异,以及各类微生物之间可解释的关系。

0
下载
关闭预览

相关内容

具有动能的生命体。
不可错过!700+ppt《因果推理》课程!杜克大学Fan Li教程
专知会员服务
69+阅读 · 2022年7月11日
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年5月25日
Arxiv
0+阅读 · 2023年5月24日
Arxiv
26+阅读 · 2018年2月27日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员