縦断的なカウントデータからの混合微生物集団の軌跡の効率的かつ正確な推論

Efficient and Accurate Inference of Mixed Microbial Population Trajectories from Longitudinal Count Data.

• Tyler A Joseph
• Amey P Pasarkar
• Itsik Pe'er

抄録

最近完了したヒトマイクロバイオームプロジェクトの第二段階では、マイクロバイオームの動的変化と疾患との関係が強調され、縦断的なサンプリングに基づく新しいマイクロバイオーム研究のデザインの動機付けとなっている。しかし、このようなデータの解析は、技術的なノイズの存在、高次元性、データの不鮮明さによって妨げられています。ここでは、ノイズの多い読取データから相対的な存在量を推測するための高速かつ正確な方法であるLUMINATE（longitudinal microbiome inference and zero detection）を紹介する。我々は、LUMINATEが現在のアプローチよりも数桁速く、より良い、または同等の精度であることを実証した。さらに、LUMINATEは、生物学的なゼロ（分類群から分類群が存在しない場合）と、技術的なゼロ（分類群が検出閾値を下回っている場合）を正確に区別できることを示しています。最後に、実際のデータセットでLUMINATEの有用性を実証し、LUMINATEがノイズの多いデータから観測された軌跡を滑らかにすることを示すことで締めくくります。LUMINATEは https://github.com/tyjo/luminate から自由に利用できる。

The recently completed second phase of the Human Microbiome Project has highlighted the relationship between dynamic changes in the microbiome and disease, motivating new microbiome study designs based on longitudinal sampling. Yet, analysis of such data is hindered by presence of technical noise, high dimensionality, and data sparsity. Here, we introduce LUMINATE (longitudinal microbiome inference and zero detection), a fast and accurate method for inferring relative abundances from noisy read count data. We demonstrate that LUMINATE is orders of magnitude faster than current approaches, with better or similar accuracy. We further show that LUMINATE can accurately distinguish biological zeros, when a taxon is absent from the community, from technical zeros, when a taxon is below the detection threshold. We conclude by demonstrating the utility of LUMINATE on a real dataset, showing that LUMINATE smooths trajectories observed from noisy data. LUMINATE is freely available from https://github.com/tyjo/luminate.

Copyright © 2020 The Authors. Published by Elsevier Inc. All rights reserved.