NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Mikrobiyom verileri, numuneler arasında sıfır enflasyon, aşırı dağılım ve gruplama yapısı ile karakterize edilen operasyonel taksonomik birim (OTU) sayımlarından oluşur. Şu anda, bir fenotiple ilişkili OTU'ları tanımlamak için istatistiksel test yöntemleri yaygın olarak gerçekleştirilir. İstatistiksel test yöntemlerinin sınırlamaları, p-değerlerinin/q-değerlerinin geçerliliğinin modellerin doğruluğuna hassas olarak bağlı olduğunu ve istatistiksel önemin mutlaka öngörü anlamına gelmediğini içerir. LASSO gibi yöntemleri kullanan tahminsel analiz, ilişkili OTU'ları tanımlamak ve fenotip değişkeninin öngörülebilirliğini OTU'lar ve diğer eş değişkenlerle ölçmek için alternatif bir yaklaşımdır. Öngörülebilir analiz gerçekleştirmenin üç stratejisini araştırıyoruz: (1) LASSO: belirli bir dönüşümle tüm OTU sayımlarına bir LASSO multinomial lojistik regresyon modeli uydurmak; (2) tarama + GLM: her bir OTU'ya bir GLMM'yi uyarlayarak döndürülen q-değerli OTU'ları taramak, ardından seçilen OTU'ların bir alt kümesini kullanarak bir GLM modelini uydurmak; (3) tarama + LASSO: GLMM ile seçilen bir OTU'ların bir alt kümesine bir LASSO'yu uydurmak. Dirichlet-multimomonial modelleri kullanılarak oluşturulan üç simülasyon veri seti ve Parkinson hastalığı ile ilgili gerçek bir bağırsak mikrobiyom verisi kullanarak ampirik çalışmalar yaptık. Simülasyon çalışmalarımız, uygun değişken dönüşüme sahip LASSO'nun tahmin edici performansının sıfır şişirilmiş veriler üzerinde dikkate değer derecede iyi çalıştığını göstermektedir. Gerçek veri analizi sonuçlarımız, Parkinson hastalığının ikili dönüşümden sonra seçilen OTU'lara, yaşa ve cinsiyete göre tahmin edilebileceğini göstermektedir (Hata Oranı = 0.199, AUC = 0.872, AUPRC = 0.912). Bu sonuçlar Parkinson hastalığı ve bağırsak mikrobiyomu arasındaki ilişkinin güçlü kanıtlarını sağlar.
Özgün kaynak özetini okuyun
Microbiome data consists of operational taxonomic unit (OTU) counts characterized by zero-inflation, over-dispersion, and grouping structure among samples. Currently, statistical testing methods are commonly performed to identify OTUs that are associated with a phenotype. The limitations of statistical testing methods include that the validity of p-values/q-values depend sensitively on the correctness of models and that the statistical significance does not necessarily imply predictivity. Predictive analysis using methods such as LASSO is an alternative approach for identifying associated OTUs and for measuring the predictability of the phenotype variable with OTUs and other covariate variables. We investigate three strategies of performing predictive analysis: (1) LASSO: fitting a LASSO multinomial logistic regression model to all OTU counts with specific transformation; (2) screening+GLM: screening OTUs with q-values returned by fitting a GLMM to each OTU, then fitting a GLM model using a subset of selected OTUs; (3) screening+LASSO: fitting a LASSO to a subset of OTUs selected with GLMM. We have conducted empirical studies using three simulation datasets generated using Dirichlet-multinomial models and a real gut microbiome data related to Parkinson's disease to investigate the performance of the three strategies for predictive analysis. Our simulation studies show that the predictive performance of LASSO with appropriate variable transformation works remarkably well on zero-inflated data. Our results of real data analysis show that Parkinson's disease can be predicted based on selected OTUs after the binary transformation, age, and sex with high accuracy (Error Rate = 0.199, AUC = 0.872, AUPRC = 0.912). These results provide strong evidences of the relationship between Parkinson's disease and the gut microbiome.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.