从纵向数据中揭示个体特异性时间模式

《Bioinformatics》：Revealing Subject-Specific Temporal Patterns from Longitudinal Data

　　

摘要

动机

时间序列多变量数据在许多领域中普遍存在，例如，在纵向队列中按计划随访（每隔几个月/几年）收集的数据，或在挑战试验中每隔几分钟/几小时收集的数据。对此类数据的分析通常着重于揭示各受试者之间共同的潜在时间模式。然而，各受试者在时间模式上存在个体差异，这些差异有望增进我们对潜在机制的理解并促进个性化方法的应用。尽管如此，从纵向多变量数据中可靠地提取受试者特异性的时间模式仍然是一个尚未解决的挑战。

结果

我们引入耦合矩阵分解（CMF）作为捕获受试者特异性时间模式的有效工具，重点关注两个新颖的应用场景：纵向代谢组学数据分析和致敏数据分析。我们的分析表明，CMF模型能够可靠地捕获时间模式中的受试者特异性（形状）差异，相比现有技术有望揭示更深入的见解。在代谢组学方面，CMF模型揭示了个体在餐后饮食挑战中代谢反应的差异，这些差异与人体测量指标和胰岛素敏感性指标相关。在致敏数据分析方面，基于CMF的方法捕获了儿童时间轨迹的差异，这些差异与分娩/出生方式及过敏性疾病诊断相关。我们通过可重复性和可复现性证明了所提取模式的可靠性。

可用性

代码可在 github.com/cchatzis/Revealing-Subject-specific-Temporal-Patterns-from-Longitudinal-Data 及 doi.org/10.5281/zenodo.22084338 上获取。由于隐私原因，临床数据不公开提供。如需数据，可通过联系COPSAC（[e-mail]）在联合研究合作框架下获取。