A Bayesian Functional Concurrent Zero-Inflated Dirichlet-Multinomial Regression Model with Application to Infant Microbiome

A continuación presento un resumen técnico detallado del artículo "A Bayesian Functional Concurrent Zero-Inflated Dirichlet-Multinomial Regression Model with Application to Infant Microbiome" en español.

1. Planteamiento del Problema

El microbioma infantil experimenta cambios rápidos en su composición durante los primeros años de vida, lo cual está vinculado a riesgos a largo plazo para la salud, como la fuerza inmunológica, alergias y asma. Modelar las asociaciones entre exposiciones (como la dieta o la edad gestacional) y la composición microbiana a lo largo del tiempo es crucial, pero presenta desafíos analíticos significativos:

• Datos Composicionales: Las secuencias de ADN generan conteos relativos que suman un total fijo. Ignorar esta estructura puede llevar a hallazgos incorrectos.
• Sobredispersión y Ceros Excesivos (Zero-Inflation): Los datos microbianos muestran una gran variabilidad y una alta frecuencia de ceros (ya sea porque el microbio no existe en el huésped o porque no fue capturado en la muestra).
• Estructura Longitudinal y Medidas Repetidas: Los datos se recopilan en múltiples momentos para los mismos individuos, requiriendo modelos que capturen la correlación intra-sujeto.
• Efectos Funcionales y Variables en el Tiempo: Los efectos de las covariables no son constantes; cambian dinámicamente con el tiempo. Los modelos existentes a menudo asumen efectos constantes o modelan cada taxón por separado, ignorando la interdependencia entre ellos.
• Limitaciones de Modelos Actuales: Los modelos de regresión Dirichlet-Multinomial (DM) manejan la composicionalidad y la sobredispersión pero no los ceros excesivos ni las medidas repetidas. Los modelos de conteos cero-inflados (como ZINB) manejan los ceros pero ignoran la estructura composicional.

2. Metodología Propuesta: Modelo FunC-ZIDM

Los autores proponen un Modelo de Regresión Dirichlet-Multinomial Cero-Inflado Funcional Concurrente (FunC-ZIDM). Este es un modelo bayesiano jerárquico diseñado para manejar simultáneamente la composicionalidad, la inflación de ceros, las medidas repetidas y los efectos temporales variables.

Componentes Clave del Modelo:

1. Distribución de Probabilidad:

   • Los conteos observados $z_i(t)$ siguen una distribución Multinomial con parámetros de probabilidad $\psi_i(t)$.
   • $\psi_i(t)$ se modela mediante una reparametrización de la distribución Dirichlet utilizando variables aleatorias Gamma cero-infladas. Esto permite distinguir entre ceros estructurales (el microbio no está presente) y ceros de riesgo (el microbio está presente pero no se detectó).

2. Estructura de Regresión Funcional:

   • Se utiliza un modelo de regresión log-lineal para los parámetros de concentración $\gamma_{ij}(t)$ de la distribución Dirichlet.
   • La relación entre las covariables $x_{ip}(t)$ y los taxones se modela mediante coeficientes funcionales $\beta_{jp}(t)$ que varían suavemente en el tiempo.
   • Bases de B-splines: Los coeficientes funcionales se aproximan mediante expansiones de B-splines cúbicas.
   • Regularización: Se utiliza un prior de Horseshoe regularizado sobre los coeficientes de las splines. Esto induce un "shrinkage" (encogimiento) hacia cero para coeficientes inactivos, permitiendo la selección de variables y evitando el sobreajuste en espacios de alta dimensión.

3. Efectos Aleatorios y Medidas Repetidas:

   • Se incluyen términos de intercepto específicos para cada combinación individuo-taxon ($r_{ij}$) para capturar la variabilidad entre sujetos y la correlación de las medidas repetidas.

4. Inferencia y Diversidad:

   • El modelo permite calcular la abundancia relativa esperada y la diversidad $\alpha$ (utilizando la métrica de Hill) como funciones del tiempo y las covariables.
   • Se utilizan diferencias multiplicativas para interpretar el impacto de los cambios en las covariables sobre la abundancia y la diversidad.

5. Inferencia Bayesiana:

   • Se implementa un algoritmo Metropolis-Hastings dentro de Gibbs para el muestreo posterior.
   • Se emplean parametrizaciones auxiliares para muestrear eficientemente los parámetros del prior Horseshoe y se integran ciertos parámetros para mejorar la eficiencia computacional.

3. Contribuciones Clave

• Integración de Desafíos: Es el primer modelo que combina simultáneamente la estructura composicional, la inflación de ceros, las medidas repetidas y los efectos funcionales (variables en el tiempo) en un solo marco de regresión.
• Escalabilidad: El modelo está diseñado para escalar a espacios composicionales de alta dimensión (cientos o miles de taxones) gracias a la regularización mediante el prior Horseshoe.
• Herramientas de Software: Los autores proporcionan un paquete de R (FunCZIDM) y una aplicación Shiny para implementar el método, realizar simulaciones y generar visualizaciones dinámicas de los resultados.
• Inferencia Holística: Permite inferir no solo sobre la abundancia de taxones individuales, sino también sobre la diversidad global ($\alpha$-diversidad) y cómo esta cambia dinámicamente con las covariables.

4. Resultados

Estudio de Caso: Microbioma de Prematuros

Se aplicó el modelo a datos de 58 bebés prematuros (922 muestras) para investigar la relación entre la edad gestacional, el porcentaje de leche materna y la composición microbiana.

• Hallazgos sobre la Leche Materna: Se encontró una asociación positiva entre un mayor porcentaje de leche materna en la dieta y una mayor diversidad $\alpha$. Específicamente, una dieta con >50% de leche materna mostró un aumento en la diversidad a lo largo del periodo de estudio en comparación con dietas de <10%.
• Dinámica Temporal de Taxones:
  • Clostridia: Mostró una asociación positiva con la edad gestacional y con el aumento de leche materna (10-50%), con efectos que variaron significativamente en el tiempo (aumentando hasta los 30 días).
  • Gammaproteobacteria: Fue menos abundante en bebés de mayor edad gestacional (término completo) y no mostró asociación significativa con el porcentaje de leche materna en este análisis, a diferencia de estudios previos que usaron modelos más simples.
  • Bacilli: Mostró una asociación negativa con la leche materna en ciertos periodos, pero los efectos no fueron constantes en el tiempo.
• Comparación con Modelos Previos: A diferencia del análisis original (La Rosa et al., 2014) que usaba modelos mixtos separados por taxón, el FunC-ZIDM capturó efectos no constantes en el tiempo y evitó asociaciones espurias al respetar la estructura composicional.

Estudio de Simulación

• Rendimiento: El modelo FunC-ZIDM demostró un rendimiento superior en la cobertura de intervalos de credibilidad (cerca del 95%) y en la precisión (ARMSE) en comparación con modelos DM estándar, modelos ZIDM sin efectos aleatorios y modelos funcionales sin cero-inflación.
• Robustez ante Ceros: El modelo mantuvo una cobertura nominal incluso con altos niveles de inflación de ceros, mientras que los modelos alternativos subestimaron la incertidumbre y produjeron intervalos demasiado estrechos.
• Escalabilidad: El modelo escaló eficientemente hasta 1000 taxones sin sacrificar el rendimiento de estimación, con tiempos de ejecución razonables.

5. Significado e Impacto

• Reproducibilidad en Investigación: La ausencia de efectos variables en el tiempo en los modelos tradicionales puede llevar a la falta de reproducibilidad en estudios del microbioma, ya que promedian efectos que en realidad son dinámicos. FunC-ZIDM aborda esto capturando la naturaleza funcional subyacente.
• Aplicación Clínica: El modelo ofrece a los clínicos información sobre periodos temporales específicos y subgrupos de pacientes donde las intervenciones dietéticas (como la leche materna) podrían ser más efectivas.
• Avance Metodológico: Establece un nuevo estándar para el análisis de datos longitudinales de microbioma, demostrando que es posible modelar la complejidad de los datos (ceros, composición, correlación) sin perder la capacidad de detectar relaciones dinámicas.
• Flexibilidad Futura: Aunque se centra en covariables temporales, el marco es aplicable a cualquier covariable continua, permitiendo investigar cómo los efectos varían, por ejemplo, en función de la edad gestacional o la dosis de un tratamiento.

En resumen, el artículo presenta una solución estadística robusta y flexible para un problema complejo en la bioinformática y la epidemiología, proporcionando tanto un marco teórico sólido como herramientas prácticas para la comunidad científica.