NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
İnsan mikrobiyomunun modellenmesi ve analiz edilmesi, mikrobiyal topluluğun değerlendirilmesine ve insan sağlığı üzerindeki etkilerine izin verir. Mikrobiyom bileşimi 16S rRNA teknolojisi kullanılarak sıralama verisine ölçülebilir, bunlar genellikle aşırı sıfırlarla çarpık ve ağır kuyrukludur. Kümeleme yöntemleri, hastalar için tabakalaşma alt gruplarını tanımlayarak kişiselleştirilmiş tıpta yararlıdır. Bununla birlikte, şu anda karmaşık mikrobiyom sıralama verileri için standart kümeleme yönteminin eksikliği vardır. Seyrek sayım verileri için karşılaşılan varlık-varlık yanlılığını giderebilecek ve örnek katmanlama için örnek mesafeleri etkili bir şekilde ölçebilecek belirli bir beta çeşitlilik ölçüsüne sahip bir kümeleme algoritması önermekteyiz. Kümeleme için kullanılan mesafe ölçümümüz, gözlemlenen operasyonel taksonomik birim (OTU) sayımlarına ve tahmini karışım ağırlıklarına bağlı olarak numuneye özgü dağılımlar üreten parametrik tabanlı bir karışım modelinden türetilmiştir. Yöntem, gerçek sıfır oranlarının doğru tahminlerini sağlayabilir ve böylece kesin bir beta çeşitlilik ölçüsü oluşturabilir. Kapsamlı simülasyon çalışmaları yapılmıştır ve önerilen yöntemin, büyük bir sıfır oranı sunulduğunda, yaygın olarak kullanılan bazı mesafe ölçümlerine kıyasla önemli bir kümeleme iyileştirmesine ulaştığını göstermektedir. Önerilen algoritma, Parkinson hastalıkları üzerine bir insan bağırsak mikrobiyomu çalışmasına, biyolojik yorumlarla farklı mikrobiyom durumlarını tanımlamak için uygulandı.
Özgün kaynak özetini okuyun
Modeling and analyzing human microbiome allows the assessment of the microbial community and its impacts on human health. Microbiome composition can be quantified using 16S rRNA technology into sequencing data, which are usually skewed and heavy-tailed with excess zeros. Clustering methods are useful in personalized medicine by identifying subgroups for patients stratification. However, there is currently a lack of standardized clustering method for the complex microbiome sequencing data. We propose a clustering algorithm with a specific beta diversity measure that can address the presence-absence bias encountered for sparse count data and effectively measure the sample distances for sample stratification. Our distance measure used for clustering is derived from a parametric based mixture model producing sample-specific distributions conditional on the observed operational taxonomic unit (OTU) counts and estimated mixture weights. The method can provide accurate estimates of the true zero proportions and thus construct a precise beta diversity measure. Extensive simulation studies have been conducted and suggest that the proposed method achieves substantial clustering improvement compared with some widely used distance measures when a large proportion of zeros is presented. The proposed algorithm was implemented to a human gut microbiome study on Parkinson's diseases to identify distinct microbiome states with biological interpretations.
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.