Imputing relative abundances via Gaussian random fields

La biologie humaine est rarement un instantané unique ; c'est une histoire qui se déroule au fil du temps. Dans des domaines comme la recherche sur le microbiome, les scientifiques suivent les minuscules communautés de bactéries qui vivent en nous, observant comment elles se déplacent et changent de semaine en semaine, de mois en mois ou d'année en année. Ces communautés ne sont pas mesurées en comptant les bactéries individuelles, mais en observant les proportions relatives de différents types, un peu comme on observe comment les ingrédients d'une soupe changent à mesure que la marmite mijote. Cette approche est puissante car elle révèle la santé dynamique de l'écosystème interne d'une personne. Cependant, ce type de suivi à long terme est notoirement difficile à maintenir parfaitement. Des personnes manquent des rendez-vous, des échantillons se perdent en transit, ou des machines échouent à lire correctement les données. Lorsqu'une seule mesure manque à une longue chronologie, l'histoire se brise. Le flux continu de données est interrompu, ce qui rend difficile la perception des véritables modèles de santé ou de maladie, et force souvent les chercheurs à jeter des informations précieuses simplement parce qu'une pièce est manquante.

Pour résoudre ce problème, les chercheurs Andrey Shternshis, Prashant Singh et Luisa W. Hugerth ont développé une nouvelle façon de combler ces pièces manquantes du puzzle biologique. Ils ont créé un cadre mathématique qui agit comme un conteur habile, capable d'imaginer ce à quoi un échantillon manquant ressemblait probablement en se basant sur tout ce qui a été enregistré par ailleurs. Au lieu de simplement deviner la réponse la plus évidente ou de copier une mesure précédente, leur méthode utilise une approche statistique sophistiquée appelée champ aléatoire gaussien. Cette technique permet au modèle de comprendre les relations complexes entre différentes bactéries au sein d'un même échantillon et comment ces relations évoluent au fil du temps pour une personne spécifique. Elle est conçue pour fonctionner même lorsque les données sont éparses, en utilisant un nombre modéré de paramètres afin de ne pas être perturbée par le bruit, un problème courant avec les modèles d'intelligence artificielle plus complexes qui nécessitent des quantités massives de données pour apprendre.

Le cœur de cette nouvelle méthode est sa capacité à traiter des données « compositionnelles », ce qui signifie qu'elle respecte la règle selon laquelle toutes les parties d'un échantillon doivent constituer un tout. Si un type de bactérie semble augmenter, le modèle comprend que les quantités relatives des autres doivent diminuer en conséquence. De plus, elle tient compte du fait que certaines bactéries peuvent être présentes en quantités si infimes qu'elles passent inaperçues, les traitant comme des valeurs très petites plutôt que comme des zéros, ce qui maintient la logique mathématique. En générant non pas une seule supposition, mais de nombreuses versions possibles des données manquantes, le modèle capture l'incertitude naturelle de la biologie. Cela permet aux scientifiques de mener leurs analyses sur des ensembles complets de jeux de données, garantissant que leurs conclusions finales sur les tendances de santé sont robustes et tiennent compte des lacunes dans les registres originaux.

Les chercheurs ont testé ce cadre sur des données réelles provenant de trois études différentes impliquant des participants humains. Dans une étude, ils ont observé les bactéries intestinales de centaines de femmes enceintes pour voir s'ils pouvaient prédire qui développerait une dépression post-partum. Dans une autre, ils ont examiné des nourrissons pour prévoir quels enfants développeraientait une allergie alimentaire spécifique. Dans une troisième, ils ont analysé des échantillons intestinaux d'adultes d'âge moyen pour voir comment bien le modèle pouvait reconstruire les données pour les espèces qui variaient le plus dans leurs populations. Les résultats étaient prometteurs. Lorsque le modèle a complété les échantillons manquants, il a produit des données remarquablement proches des mesures réelles, surpassant les anciennes méthodes plus simples qui se contentaient de reconduire la dernière valeur connue. Plus important encore, lorsqu'ils ont utilisé ces ensembles de données reconstruits pour prédire les résultats de santé, la précision s'est considérablement améliorée. Pour les nourrissons, le modèle a aidé à identifier correctement les allergies alimentaires avec une précision équilibrée de 0,72, une amélioration notable par rapport aux tentatives précédentes. Pour les femmes enceintes, il a aidé à prévoir la dépression post-partum avec une précision équilibrée de 0,64.

Ce qui rend ce travail particulièrement précieux, c'est qu'il ne repose pas sur des algorithmes de type « boîte noire » impossibles à interpréter. Le modèle est transparent, ce qui signifie que les chercheurs peuvent voir exactement comment il utilise les informations disponibles — telles que le moment de l'échantillon et les caractéristiques spécifiques du participant — pour faire ses prédictions. Il comble avec succès le fossé entre la réalité désordonnée des études humaines, où les données manquantes sont la norme plutôt que l'exception, et le besoin de jeux de données complets et de haute qualité pour comprendre les tendances biologiques. En fournissant un moyen de reconstruire ces chronologies fragmentées avec une rigueur statistique, le cadre offre un outil pratique aux scientifiques pour récupérer les informations perdues et faire des prédictions plus fiables sur la santé humaine, transformant des registres fragmentés en un récit cohérent de changement biologique.