Model Selection for Sparse Microbial Network Inference Using Variational Approximation

Dieses Kapitel geht dem Rechenproblem nach, mikrobielle Assoziationen aus mikrobiellen Daten zu ermitteln und diese Assoziationen als gewichtete Graphen oder mikrobielle Netzwerke darzustellen. Die Autoren stellen ein Rahmenwerk für Mischungsmodelle zur Handhabung mehrerer zugrunde liegender Kovarianzstrukturen in Mikrobiomstudien vor, die aufgrund großer Kohorten und unterschiedlicher Metadatenvariablen häufig vorkommen. Zwei Rahmenmodelle für Mischungsmodelle, MixGGM und MixMPLN, werden vorgestellt, die jeweils auf unterschiedliche Arten von Abundanzdaten zugeschnitten sind. Das Kapitel konzentriert sich auf das Problem der Modellauswahl für diese Rahmenwerke, insbesondere für die Schlussfolgerung spärlicher mikrobieller Netzwerke. Es werden mehrere Algorithmen vorgeschlagen, die auf variabler Annäherung beruhen, um die tatsächliche Grenzwahrscheinlichkeit mit spärlichen Präzisionsmatrizen anzunähern. Die Leistungsfähigkeit dieser Algorithmen wird anhand mehrerer Bewertungskriterien auf einer großen Sammlung simulierter Datensätze bewertet. Das Kapitel wendet den Rahmen auch auf einen realen Mikrobiomdatensatz aus einer Malariastudie an und demonstriert die praktische Anwendung der Methoden. Die Ergebnisse heben die überlegene Leistung der Pcor-Methode für MS _ MixGGM und der NoSparse- und Pcor-Methoden für MS _ MixMPLN hervor und bieten wertvolle Erkenntnisse für Fachleute auf dem Gebiet der mikrobiellen Netzwerkinferenz.