《American Journal of Human Biology》：A Bayesian Modeling Approach to Optimize Longitudinal Biomarker Sampling Schedules Using Hormonal Data
编辑推荐：
目标：纵向生物标志物的最佳采样计划因具体生物标志物和研究目标而异。研究人员提出一种贝叶斯建模方法，用于评估个体内、个体间和群体水平的生物标志物变异，以优化参数估计的精确度并为生物标志物采样决策提供依据。
方法：研究人员应用贝叶斯线性和非线性混合效应模型，估计来
目标：纵向生物标志物的最佳采样计划因具体生物标志物和研究目标而异。研究人员提出一种贝叶斯建模方法，用于评估个体内、个体间和群体水平的生物标志物变异，以优化参数估计的精确度并为生物标志物采样决策提供依据。
方法：研究人员应用贝叶斯线性和非线性混合效应模型，估计来自35名青春期女孩的纵向激素数据的个体水平和群体水平参数。研究始于跨越两年时间跨度收集的晨尿睾酮和C肽测量值，研究人员系统地对此纵向数据进行降采样，以评估从九种采样频率（年度、半年度和季度间隔，每种间隔内包含一、二或三个重复样本）获得的参数估计的精确度。
结果：个体水平和群体水平参数估计的标准误差与可信区间，以及所应用模型的总体残差表明，采样频率的具体维度对不同层次的模型参数具有不同的影响。模型拟合度、精确度和不确定性的综合指标表明，并非数据越多越好，因为研究人员并未发现参数估计值在所有模型中随总样本量增加而直接改善。值得注意的是，研究人员确定了最优采样阈值，超过该阈值后，额外的测量反而会使个体参数估计的精确度下降。
结论：这些分析的数据、代码和结果为贝叶斯模型构建、评估和采样决策提供了工具。特定的生物标志物特征以不同的方式影响精确度，研究人员的激素建模示例展示了适用于广泛生物数据的采样分析方法。
**论文解读：一种利用贝叶斯建模优化纵向生物标志物采样的方法**
**研究背景与问题**
在生物标志物研究中，设计采样方案时需权衡测量精确度、准确性、收集负担以及实际操作限制。然而，不同研究设计差异巨大，可能依赖于方便样本、横断面数据或不同频率的重复纵向测量。采样噪声、误差以及生物变异的多个维度，都会影响有效捕捉个体内及个体间随时间变化的能力。系统分析这些因素对于从生物标志物数据中获取有生物学意义的解释至关重要，并可用于确定生物学显著性的阈值。特别是对于睾酮和C肽等激素，它们在青春期表现出高度的短期变异性，但目前对于其纵向采样的最佳频率尚无共识。因此，如何优化采样设计，在有限资源下最大化捕捉有意义的生物信号，同时最小化噪声和不确定性，是当前研究面临的关键问题。
**研究目的与方法概述**
本研究旨在提出一种建模方法，用于评估尿液中睾酮和C肽数据的个体及群体水平变异，以优化采样设计、提高参数估计的精确度。研究人员应用贝叶斯混合效应模型，对来自35名青春期Qom/Toba女孩的纵向激素数据进行分析。原始数据是在两年内按季度（每3个月）间隔收集的晨尿样本，包含睾酮和C肽的测量值。为了评估采样频率的影响，研究人员对原始数据集进行了系统性的降采样，生成了九种不同采样频率的数据子集：采样间隔分别为年度、半年度和季度，每个间隔内包含一、二或三个重复样本（在一个月内采集）。随后，研究人员使用贝叶斯线性混合模型（LMM）和广义加性模型（GAM，一种非线性模型）来拟合这些数据子集，估计个体和群体水平的激素随年龄变化的轨迹。关键的技术方法包括：1) **数据来源与处理**：数据来源于阿根廷福莫萨省Namqom社区的查科地区生殖生态学（CARE）项目，研究对象为35名8-13岁的青春期女孩。激素浓度经过比重校正。2) **贝叶斯建模框架**：使用R语言中的`brms`包构建贝叶斯混合效应模型。线性模型将年龄作为固定效应（群体水平）和随机效应（个体水平），非线性模型则使用惩罚回归样条来灵活拟合轨迹。模型采用弱正则化先验，并通过马尔可夫链蒙特卡洛（MCMC）算法进行拟合，以确保后验分布的稳健采样。3) **精度评估指标**：通过后验分布的标准误差（衡量参数估计的不确定性）和贝叶斯可信区间（包含参数可能范围的区间）的宽度来评估不同采样频率下模型参数估计的精确度。同时，也计算了模型残差以评估整体拟合优度。
**研究结果**
研究人员通过三个具体目标来呈现研究结果：
* **目标一：评估短期个体内变异**：计算了每个参与者一个月内三个样本的睾酮和C肽测量值的范围（最大值与最小值之差）。结果显示，睾酮的月内个体内变异平均为14 ng/mL，C肽为19 ng/mL，并且这种变异的幅度随着年龄增长而增加（从8岁到12岁）。这种短期波动幅度超过了在此青春期年龄范围内观察到的纵向线性增长趋势。
* **目标二：评估不同采样设计下的预测变异（采样噪声）**：使用九种不同采样频率的线性混合模型（LMM），预测了每位女孩在10岁时的激素水平。结果发现，同一个体在不同采样模型下的预测值存在差异，睾酮估计值平均变化7 ng/mL，C肽平均变化6 ng/mL。这个“采样噪声”的幅度小于上述的月内个体内变异，也小于群体水平的纵向增长估计值。
* **目标三：确定优化个体纵向趋势估计精度的采样频率**：这是研究的核心。通过比较九种采样频率下线性混合模型（LMM）和广义加性模型（GAM）的参数估计标准误差，研究人员评估了精确度。
* **群体水平估计**：对于睾酮和C肽，群体水平截距和斜率估计的95%可信区间在不同采样模型间大量重叠，表明群体趋势对采样频率相对稳健。然而，标准误差分析显示，增加采样深度（即每个间隔内的重复测量次数）比缩短采样间隔更能改善群体水平参数的精确度。例如，季度间隔且每个间隔三个样本的模型通常显示出最小的群体水平参数标准误差。
* **个体水平估计**：关键发现是，**并非采样越频繁、数据越多，个体水平参数估计就越精确**。对于睾酮，**季度间隔且每个间隔两个样本**的线性模型显示出最高的个体截距和斜率估计精度（标准误差最小）。对于C肽，**季度间隔两个样本**或**半年度间隔三个样本**的线性模型精度最佳。值得注意的是，**季度间隔三个样本**（即总样本量最大）的模型，其个体水平参数估计的精确度反而低于上述几种采样频率较低的模型。这表明存在一个“最优采样阈值”，超过该阈值后，增加额外的测量不仅不能提高精度，反而可能因引入更多噪声而降低个体信号估计的精确度。非线性模型（GAM）的结果也支持了这一结论。
* **模型拟合**：模型残差（反映预测值与观测值差异的指标）与总样本量没有直接关联。例如，年度间隔且仅一个样本的模型残差最低，表明采样间隔和深度对整体模型预测有各自独立的影响。
**讨论与结论**
本研究结果强调了采样策略需要根据特定生物标志物的生物学特性、采集介质以及预期下游应用进行定制。对于表现出高短期个体内变异性的尿睾酮和C肽，中等采样频率（如每季度两个样本或每半年三个样本）在捕捉线性纵向趋势方面能优化精确度。研究的一个核心发现是，模型估计并不总是随数据增多而改善。特定的生物标志物特征以不同的方式影响精确度，存在一个最优阈值，超过此阈值额外的数据可能会增加噪声并掩盖估计的信号。这一特性受到数据变异幅度和维度的影响。
在实践应用中，最优采样设计必须在数据精确度与后勤限制、收集负担之间取得平衡。本研究表明，通过在更长、更少的间隔内收集更多重复样本，可以在一定程度上缓解这种权衡。例如，使用半年间隔三个样本的模型与季度间隔两个样本的模型，在估计个体激素趋势时获得了几乎相同的精确度，但前者总观测次数更少，可能减轻收集负担。
本研究的局限性在于数据采集的原始结构，无法评估短于3个月的间隔或每个间隔超过三个样本的情况，也未捕捉日内变异等其他维度。然而，所描述的统计方法和贝叶斯推断框架为从嘈杂的生物标志物数据中提取个体信号、评估生物学的显著差异和趋势提供了可应用的工具。
**结论**：这些分析的数据、代码和结果为贝叶斯模型构建、评估和采样决策提供了工具。特定的生物标志物特征以不同的方式影响精确度，本研究的激素建模示例展示了适用于广泛生物数据的采样分析方法。
