Imputing relative abundances via Gaussian random fields

La biología humana rara vez es una instantánea única; es una historia que se desarrolla a lo largo del tiempo. En campos como la investigación del microbioma, los científicos rastrean las diminutas comunidades de bacterias que viven dentro de nosotros, observando cómo cambian y se transforman de semana a semana, de mes a mes o de año a año. Estas comunidades no se miden contando bacterias individuales, sino observando las proporciones relativas de diferentes tipos, de forma muy parecida a ver cómo cambian los ingredientes de una sopa a medida que el recipiente hierve a fuego lento. Este enfoque es poderoso porque revela la salud dinámica del ecosistema interno de una persona. Sin embargo, este tipo de seguimiento a largo plazo es notoriamente difícil de mantener perfecto. Las personas pierden citas, las muestras se pierden en el tránsito o las máquinas fallan al leer los datos correctamente. Cuando falta una sola medición en una larga cronología, la historia se rompe. El flujo continuo de datos se interrumpe, lo que dificulta ver los verdaderos patrones de salud o enfermedad, y a menudo obliga a los investigadores a desechar información valiosa solo porque falta una pieza.

Para resolver este problema, los investigadores Andrey Shternshis, Prashant Singh y Luisa W. Hugerth han desarrollado una nueva forma de rellenar esas piezas faltantes del rompecabezas biológico. Crearon un marco matemático que actúa como un hábil narrador, capaz de imaginar cómo era probablemente una muestra faltante basándose en todo lo demás que fue registrado. En lugar de simplemente adivinar la respuesta más obvia o copiar una medición previa, su método utiliza un enfoque estadístico sofisticado llamado campo aleatorio gaussiano. Esta técnica permite al modelo comprender las complejas relaciones entre diferentes bacterias dentro de una sola muestra y cómo estas relaciones evolucionan a lo largo del tiempo para una persona específica. Está diseñado para funcionar incluso cuando los datos son escasos, utilizando un número moderado de parámetros para no confundirse con el ruido, un problema común con los modelos de inteligencia artificial más complejos que requieren cantidades masivas de datos para aprender.

El núcleo de este nuevo método es su capacidad para manejar datos "composicionales", lo que significa que respeta la regla de que todas las partes de una muestra deben sumar un todo. Si un tipo de bacteria parece aumentar, el modelo entiende que las cantidades relativas de otras deben disminuir en consecuencia. Además, tiene en cuenta el hecho de que algunas bacterias podrían estar presentes en cantidades tan diminutas que pasan desapercibidas, tratándolas como valores muy pequeños en lugar de cero, lo que mantiene la lógica matemática sólida. Al generar no solo una suposición, sino muchas versiones posibles de los datos faltantes, el modelo captura la incertidumbre natural de la biología. Esto permite a los científicos realizar sus análisis sobre un conjunto completo de bases de datos, asegurando que sus conclusiones finales sobre las tendencias de salud sean robustas y tengan en cuenta los vacíos en los registros originales.

Los investigadores probaron este marco con datos del mundo real de tres estudios diferentes que involucraron a participantes humanos. En un estudio, observaron las bacterias intestinales de cientos de mujeres embarazadas para ver si podían predecir quién desarrollaría depresión posparto. En otro, examinaron a bebés para pronosticar qué niños desarrollarían una alergia alimentaria específica. En un tercero, analizaron muestras intestinales de adultos de mediana edad para ver qué tan bien el modelo podía reconstruir los datos de las especies que más variaban en sus poblaciones. Los resultados fueron prometedores. Cuando el modelo completó las muestras faltantes, produjo datos que eran notablemente cercanos a las mediciones reales, superando a los métodos antiguos y más simples que simplemente arrastraban el último valor conocido. Más importante aún, cuando utilizaron estos conjuntos de datos reconstruidos para predecir resultados de salud, la precisión mejoró significativamente. Para los bebés, el modelo ayudó a identificar correctamente las alergias alimentarias con una precisión equilibrada de 0.72, una mejora notable respecto a intentos anteriores. Para las mujeres embarazadas, ayudó a pronosticar la depresión posparto con una precisión equilibrada de 0.64.

Lo que hace que este trabajo sea particularmente valioso es que no depende de algoritmos de "caja negra" que son imposibles de interpretar. El modelo es transparente, lo que significa que los investigadores pueden ver exactamente cómo utiliza la información disponible —como el momento de la muestra y las características específicas del participante— para realizar sus predicciones. Logra cerrar la brecha entre la realidad desordenada de los estudios humanos, donde la falta de datos es la norma más que la excepción, y la necesidad de conjuntos de datos completos y de alta calidad para comprender las tendencias biológicas. Al proporcionar una forma de reconstruir estas cronologías fragmentadas con rigor estadístico, el marco ofrece una herramienta práctica para que los científicos recuperen conocimientos perdidos y realicen predicciones más fiables, convirtiendo los registros fragmentados en una narrativa coherente del cambio biológico.