Bayesian covariance regression for differential network analysis of zero-inflated microbiome data

1. Problématique et Contexte

L'analyse des réseaux de covariation microbienne est essentielle pour comprendre la structure et la fonction des écosystèmes microbiens. Cependant, la plupart des méthodes existantes supposent que la structure du réseau (la matrice de covariance) est statique, indépendamment des échantillons. En réalité, les interactions microbiennes sont dynamiques et peuvent se « recâbler » (rewiring) en réponse à des facteurs environnementaux ou à l'état de l'hôte (âge, sexe, régime alimentaire, géographie).

De plus, les données microbiennes présentent deux défis majeurs :

1. Compositionalité : Les données sont des comptes relatifs (somme fixe), ce qui impose des contraintes spécifiques.
2. Surabondance de zéros (Zero-inflation) : De nombreux taxons sont absents dans de nombreux échantillons.

Les méthodes actuelles de régression de covariance (comme MiCoRe) peinent à gérer ces caractéristiques simultanément dans des dimensions élevées, souvent en raison de l'incompatibilité entre les modèles de comptage multinomiaux et les distributions normales, entraînant des problèmes de conjugaison et de convergence dans les inférences bayésiennes.

2. Méthodologie : Le cadre TRECOR

Les auteurs proposent TRECOR (Tree-based REgression for COvariance), un cadre d'inférence bayésienne pour la régression de covariance adapté aux données de comptage microbiennes à zéros inflés.

A. Modélisation des données (Logistic-Tree-Normal - LTN)

Au lieu de modéliser directement les comptes des taxons (nœuds feuilles), le modèle opère sur les nœuds internes d'un arbre phylogénétique.

• Décomposition binomiale : Le modèle décompose la distribution multinomiale des comptes en une série de modèles binomiaux indépendants à chaque nœud interne de l'arbre.
• Variables latentes : Pour chaque nœud interne $j$, une variable latente $\phi_{ij}$ est définie comme le log-odds (logit) de la proportion de la sous-clade de gauche par rapport à la sous-clade droite.
• Avantages : Cette transformation réduit considérablement le problème des zéros (car les comptes au niveau des clades sont plus élevés) et permet une factorisation binomiale qui conduit à une conjugaison complète avec une distribution normale multivariée.

B. Modèle de Régression de Covariance

Le modèle suppose que le vecteur des variables latentes $\phi_i$ suit une distribution normale multivariée dont la moyenne et la covariance dépendent de covariables $x_i$ :
$$\phi_i \sim \mathcal{N}_q \left( B_0 x_i, \quad \Sigma + \sum_{r=1}^R B_r x_i x_i^\top B_r^\top \right)$$

• Moyenne : $B_0 x_i$ capture les effets des covariables sur l'abondance moyenne.
• Covariance : La matrice de covariance est décomposée en deux parties :
  1. $\Sigma$ : Une composante de base sparse (rares), représentant le réseau de covariation stable.
  2. $\sum B_r x_i x_i^\top B_r^\top$ : Une composante de perturbation de faible rang (low-rank) dépendante des covariables, capturant le « recâblage » du réseau.

C. Inférence et Identifiabilité

• Identifiabilité : Les matrices $B_r$ ne sont pas identifiables de manière unique (invariance par rotation), mais la norme de Frobenius $\|B^{(j)}\|_F$ de la colonne $j$ de l'ensemble des matrices est identifiable et mesure l'ampleur de l'effet de la covariable $j$ sur la structure de covariance.
• Algorithme : Grâce à la conjugaison complète obtenue via la représentation LTN et l'utilisation de variables latentes de Polya-Gamma pour la partie binomiale, l'inférence postérieure est réalisée via un échantillonneur de Gibbs efficace, évitant les étapes de Metropolis-Hastings lentes et peu efficaces dans les hautes dimensions.

3. Contributions Clés

1. Cadre LTN pour la régression de covariance : Première méthode permettant de modéliser la covariance dépendante des covariables directement sur les données de comptage microbiens en utilisant la structure de l'arbre phylogénétique.
2. Gestion de la surabondance de zéros et de la compositionnalité : En travaillant au niveau des nœuds internes, le modèle atténue le problème des zéros et respecte la nature compositionnelle des données sans recourir à des transformations approximatives (comme le log-ratio centré) qui peuvent biaiser les résultats.
3. Inférence Bayésienne Scalable : L'utilisation de la conjugaison complète permet un échantillonnage de Gibbs rapide et stable, même pour un grand nombre de taxons (haute dimension), contrairement aux méthodes existantes qui nécessitent des approximations coûteuses.
4. Décomposition Sparse + Faible Rang : Le modèle sépare explicitement le réseau de base stable des perturbations induites par les covariables, permettant une interprétation claire du « recâblage » différentiel.

4. Résultats

A. Simulations Numériques

Des expériences sur données simulées (avec différentes structures de covariance : tridiagonale, sans échelle, et basée sur un arbre) montrent que :

• TRECOR surpasse significativement les méthodes appliquées à des données transformées (comme CovReg) et les méthodes ignorant les covariables (gLASSO).
• La méthode approche les performances d'un « benchmark oracle » (qui aurait accès aux variables latentes réelles), prouvant que le modèle capture efficacement l'information perdue par l'échantillonnage compositionnel.
• Le temps de calcul est compétitif et l'algorithme converge bien là où les méthodes concurrentes (comme MiCoRe) échouent ou nécessitent un filtrage agressif des données.

B. Étude de Cas : Microbiome Intestinal (Yatsunenko et al., 2012)

Appliqué à un jeu de données de 531 individus (Venezuela, Malawi, USA), les résultats révèlent :

• Effet de l'âge : L'âge a l'impact le plus important sur la structure de covariance (plus que sur la moyenne), un motif non détecté par les analyses basées uniquement sur la moyenne. Le réseau différentiel lié à l'âge est enrichi en Enterobacteriaceae, cohérent avec les changements développementaux connus du microbiome.
• Effet du pays : Les réseaux différentiels liés au pays impliquent des taxons liés au régime alimentaire, reflétant les différences entre les cohortes US et non-US.
• Structure du réseau : Le réseau de base (population) montre une structure sparse où les corrélations significatives sont concentrées entre des nœuds phylogénétiquement proches (parents-enfants). Les nœuds internes à haut degré dans les réseaux différentiels agissent comme des « clades clés » (keystone clades).

5. Signification et Conclusion

L'article TRECOR représente une avancée méthodologique majeure pour l'analyse des réseaux microbiens. En passant d'une analyse statique à une analyse dynamique dépendante des covariables, et en résolvant les défis computationnels et statistiques liés aux données microbiennes (zéros, compositionnalité), la méthode permet de découvrir des mécanismes biologiques subtils.

La découverte que l'âge influence davantage la structure des interactions microbiennes que les abondances moyennes elles-mêmes souligne l'importance d'analyser la covariation et non seulement la moyenne. De plus, l'approche basée sur les nœuds internes offre une interprétation écologique naturelle, identifiant des clades entiers comme unités fonctionnelles clés dans la réponse du microbiome aux facteurs environnementaux.

Le code et les données sont disponibles publiquement, facilitant la reproduction et l'application de cette méthode dans d'autres études microbiennes.