分层稀疏贝叶斯多任务学习在混合微生物组研究中的疾病预测应用

《BioData Mining》：Hierarchical sparse Bayesian multitask learning for disease prediction in pooled microbiome studies

　　

摘要

背景

跨多项研究的基于微生物组的疾病预测具有挑战性，因为数据维度高、异质性强，且往往不足以支持可靠的研究特定模型。我们提出了一种分层稀疏贝叶斯多任务逻辑回归模型，该模型在保留可解释性和不确定性量化的同时，鼓励相关研究之间的稀疏性共享。为了使后验推断具有可扩展性，我们为模型参数推导了一种变分近似方法。

结果

我们在合成数据集以及包含61项先前发表的微生物组研究（涵盖19种疾病状况）的混合宏基因组集合上评估了该方法。在模拟中，当回归系数在各项任务中具有共同的稀疏结构时，所提出的方法提高了支持度的恢复效果。在混合微生物组应用中，该方法表现出具有竞争力的预测性能，同时提供了可解释性，能够一致地识别出信息丰富的稀疏分类单元，并在存在显著的研究间异质性的情况下提供后验不确定性摘要和校准诊断信息。

结论

这些结果表明，该方法作为一个可解释的、具有不确定性意识的框架，特别适用于从异质性的微生物组研究中提取共享的微生物信号。