高维多组学整合分析新方法：基于惩罚估计方程的微生物组组成-组成回归模型研究

针对高通量测序数据中组成型数据(compositional data)分析难题，研究人员开发了COC(Composition-On-Composition)回归方法，通过惩罚估计方程处理高维零膨胀数据，解决了传统对数比变换方法的局限性。该方法在微生物组关联分析中展现出优越的估计和预测性能，为多组学整合研究提供了新工具。

　　

在当今生命科学研究中，高通量测序技术(NGS)产生的数据本质上是组成型的(compositional)，只能提供相对丰度信息。这类数据广泛存在于16S rRNA微生物组调查、单细胞RNA测序等研究中。然而，当响应变量和预测变量都是组成型数据时，特别是在高维情况下，现有的分析工具非常有限。更棘手的是，测序数据中普遍存在的零值问题，使得传统的基于对数比变换(log-ratio transformation)的方法难以直接应用。

针对这一挑战，来自乔治梅森大学(George Mason University)的研究团队开发了一种创新的组成-组成回归(COC)分析方法。该方法不需要对数比变换，能够直接处理含有零值的高维多组学数据。相关研究成果发表在生物信息学领域权威期刊《Bioinformatics》上。

研究人员采用的关键技术包括：1)基于Kullback-Leibler散度(KLD)的估计方程方法；2)针对高维数据设计的L_2,1范数惩罚函数；3)基于自助法的假设检验算法；4)适应性预测区域构建方法。研究使用了来自COMBO研究的90例肠道微生物组数据(包含40个细菌属和7个真菌类)进行方法验证。

2.1 组成-组成回归模型

研究提出了直接回归框架E(y|x)=Bx，其中B矩阵需满足非负性和列和为1的约束条件。这种马尔可夫矩阵特性使模型能够自然地处理组成型数据，同时允许零值存在。与传统的回归系数解释不同，COC模型中B_·j-B_·j'反映了预测变量对(x_j,x_j')对响应变量的联合效应。

2.2 模型估计

为解决高维问题，研究创新性地提出了基于列中心化矩阵B?的L_2,1惩罚项，通过将多数B列收缩至零元素(1/q,...,1/q)^T来实现稀疏性。目标函数结合了KLD和惩罚项，在保持模型可解释性的同时提高了估计精度。

2.3 模型推断

研究开发了基于自助法的假设检验算法(Algorithm 1)来评估B=B₀的零假设。此外，采用适应性预测框架构建预测区域，通过分割一致性方法计算cutoff值c，形成预测区域C_1-α^split={y_cand∈S^q:KLD(y_cand,?)≤c}。

3.1 模拟研究

在模拟实验中，COC在估计精度(表1)和预测性能(表2)上均显著优于直接回归方法(DR)。特别是在同质组成型预测变量和稀疏信号场景下，COC的Frobenius范数误差仅为DR的1/30。即使在高维(p,q)=(100,100)和密集信号情况下，COC仍保持优势。

3.3 成对微生物组分析

应用COC分析51对PPI-储袋黏膜微生物组数据，结果显示COC产生了更简约的模型(图1)。对角线上显著的非零系数表明两个部位的微生物组成高度一致，这与原始研究结论相符。COC的平均预测KLD(0.604)显著优于DR(0.658)。

3.4 真菌-细菌关联分析

在COMBO数据集分析中，COC识别出Prevotella、Bacteroides和Lachnospiraceae I.S.三个细菌属与所有7个真菌类显著相关(图2)。Prevotella/Bacteroides比例对真菌群落结构的影响与既往研究一致。图3展示的预测区域可视化证实了COC在揭示微生物共现模式方面的价值。

这项研究的意义在于：1)首次提出了可处理高维零膨胀组成型数据的COC回归框架；2)开发的惩罚函数兼具生物学合理性和统计稳健性；3)为微生物组互作研究提供了新的分析工具。尽管COC不具备传统组成型数据分析中的子组成一致性，但在高维情况下这一局限性被弱化。该方法在微生物组关联分析中展现出的优越性能，预示着其在其他组学数据整合研究中的广泛应用前景。