Bayesian Covariate-Varying Interaction Analysis for Multivariate Count Data: Application to Microbiome Studies

Probleemstelling

In veel toepassingen, met name in microbiome-onderzoek, is het begrijpen van interafhankelijkheden tussen kenmerken (bijv. microbiële soorten) die variëren afhankelijk van covariaten (omgevingsfactoren) van groot belang. Traditionele methoden voor covariantieschatting gaan vaak uit van identiek en onafhankelijk verdeelde (i.i.d.) data, wat betekent dat de covariantiestructuur constant is over alle steekproeven. In de praktijk is dit echter vaak niet het geval; covarianties kunnen heteroscedastisch zijn, d.w.z. ze veranderen afhankelijk van covariaten zoals dieet of omstandigheden.

Daarnaast stellen microbiome-data specifieke statistische uitdagingen:

1. Discretie en Over-dispersie: Data bestaan uit tellingsdata (counts) met veel nullen en grote variabiliteit.
2. Compositionaliteit: De data zijn relatief (som van tellingsdata is beperkt).
3. Hoge dimensie: Het aantal microbiële taxa (OTUs) is vaak veel groter dan het aantal steekproeven ($N \ll J$).
4. Covariaten-afhankelijkheid: Bestaande methoden (zoals SparCC, CCLasso, MOFA+) behandelen vaak de covariantie als constant of vereisen transformaties (zoals log-transformatie) die de discrete aard van de data negeren en leiden tot vertekende resultaten.

Er is dus behoefte aan een methode die de gemiddelde abundantie en de covariantiestructuur gelijktijdig modelleert, rekening houdend met covariaten, en dit doet binnen een raamwerk dat geschikt is voor hoge dimensies en tellingsdata.

Methodologie

De auteurs stellen een Bayesiaans covariaten-variërend factormodel voor, gebaseerd op een afgeronde multivariate log-normale kern (rounded multivariate log-normal kernel). Het model bestaat uit de volgende componenten:

1. Latente Variabelen en Rounded Kernel:
   Om de discretie van tellingsdata te hanteren, wordt een latente continue vector $Y^*_i$ geïntroduceerd die log-normaal verdeeld is. De waargenomen tellingsdata $Y_i$ worden gemodelleerd als de afgeronde waarden van deze latente variabele: $Y_i = \lfloor Y^*_i \rfloor$. Dit omzeilt de noodzaak van ad-hoc transformaties zoals log-ratio transformaties.

2. Covariaten-variërende Covariantie (Factor Model):
   De covariantiematrix $\Sigma(x)$ wordt gemodelleerd als een functie van covariaten $x$ via een laag-rang factormodel:
   $$\Sigma(x) = \Lambda(x)\Lambda'(x) + \sigma^2 I_J$$
   Waarbij de factorladingen $\Lambda(x)$ zelf afhankelijk zijn van de covariaten:
   $$\lambda_{jk}(x) = q_{jk} f'_k x$$
   Hierbij vertegenwoordigt $f_k$ de globale effecten van covariaten op factor $k$, en $q_{jk}$ de lokale aanpassing voor feature $j$.

3. Sparsiteit via Dirichlet-Horseshoe Prior:
   Om de hoge dimensie en de complexiteit van de interacties te beheersen, wordt een Dirichlet-Horseshoe (Dir-HS) prior toegepast op de vector $q_k$. Dit induceert gezamenlijke sparsiteit (joint sparsity), wat betekent dat irrelevante interacties naar nul worden geschrapt (shrinkage), terwijl belangrijke interacties behouden blijven. Dit maakt robuuste schatting mogelijk zelfs bij kleine steekproefgroottes.

4. Gemiddelde Abundantie en Non-parametrische Priors:
   Het gemiddelde $\mu(x)$ wordt gemodelleerd via een regressie: $\mu_j(x) = r_i + \alpha_j + \beta'_j \tilde{x}$.

   • $r_i$: Steekproefgrootte factor (normalisatie).
   • $\alpha_j$: Baseline abundantie, gemodelleerd met een Dirichlet-proces (DP) prior om de grote variabiliteit en overdispersie in microbiome-data flexibel op te vangen.
   • $\beta_j$: Regressiecoëfficiënten die de invloed van covariaten op de abundantie kwantificeren.

5. Posterieure Berekening:
   Het model wordt geschat met Markov Chain Monte Carlo (MCMC), specifiek een geblokkeerde Gibbs-sampling algoritme met een adaptieve Metropolis-Hastings stap voor de regressiecoëfficiënten en factorladingen om mengproblemen te voorkomen.

Belangrijkste Bijdragen

• Gelijktijdige Modellering: Het model schat zowel de covariaten-variërende gemiddelden als de covarianties in één raamwerk, in plaats van ze gescheiden te behandelen.
• Directe Modellering van Tellingsdata: Door gebruik te maken van een afgeronde log-normale kern, vermijdt het model de problemen die voortvloeien uit log-transformaties van tellingsdata (zoals het toevoegen van pseudo-counts).
• Hoge Dimensie en Sparsiteit: De combinatie van een laag-rang structuur en de Dir-HS prior maakt het mogelijk om covariantiestructuren te schatten in settings waar het aantal variabelen veel groter is dan het aantal steekproeven.
• Flexibiliteit: Het model kan zowel continue als categorische covariaten verwerken en past zich aan aan inter-subject variabiliteit.

Resultaten

De prestaties van het model zijn getest via uitgebreide simulaties en een toepassing op een echt microbiome-dataset.

1. Simulatiestudies:

   • Simulatie 1 (Categorische Covariaten): Het model toonde een zeer lage RMSE (Root Mean Square Error) bij het schatten van covarianties die variëren per experimentele conditie, en presteerde aanzienlijk beter dan concurrenten zoals MOFA+, SparCC en CCLasso.
   • Simulatie 2 (Inter-subject Variabiliteit): Zelfs met grote variabiliteit tussen proefpersonen en overvloedige nullen, slaagde het model erin om de covariaten-variërende interacties nauwkeurig te identificeren en de baseline covariantie te schatten.
   • Simulatie 3 (Willekeurige Covariantie): Het model kon complexe, willekeurige covariantiestructuren die variëren met een binaire covariaten goed benaderen, ondanks de aanname van een laag-rang regressie.

2. Toepassing op Mice Gut Microbiome Data:

   • Dataset: Data van muizen met een gedefinieerd microbiome, blootgesteld aan verschillende diëten (HiSF met verschillende vezels: CPT en PEF) en de aanwezigheid/afwezigheid van een specifieke soort (Bacteroides cellulosilyticus, WH2).
   • Vindingen:
     • Het model onthulde dat de interactiestructuur tussen microbiële soorten sterk varieert afhankelijk van het dieet en de aanwezigheid van WH2.
     • Specifieke negatieve correlaties (competitie) en positieve correlaties (coöperatie) werden geïdentificeerd met statistische significantie (bijv. tussen Collinsella aerofaciens en Ruminococcaceae sp.).
     • Het model detecteerde significante veranderingen in abundantie voor specifieke OTUs bij verschillende dieetcomparaties, wat overeenkwam met eerdere biologische bevindingen (bijv. verhoogde expressie van enzymen voor vezelmetabolisme).
   • Vergelijking: In tegenstelling tot MOFA+ (dat alleen globale of modale variatie ziet) en SparCC/CCLasso (die per groep gescheiden moeten worden en geen covariaten-variërende structuur modelleren), leverde het voorgestelde model een gedetailleerd en dynamisch beeld van de interacties.

Betekenis en Conclusie

Dit paper introduceert een krachtige, Bayesiaanse methode voor de analyse van multivariate tellingsdata in hoge dimensies. De belangrijkste betekenis ligt in het vermogen om heteroscedasticiteit (variërende covarianties) direct te modelleren zonder de data te transformeren, wat leidt tot meer betrouwbare biologische inzichten.

De methode biedt een oplossing voor de beperkingen van bestaande microbiome-analysetools die vaak aannemen dat interacties constant zijn of die afhankelijk zijn van transformaties die de discrete aard van de data verstoren. Door zowel het gemiddelde als de covariantie te koppelen aan covariaten binnen een non-parametrisch Bayesiaans raamwerk, stelt deze aanpak onderzoekers in staat om complexe, dynamische netwerken van microbiële interacties te ontrafelen die reageren op omgevingsveranderingen. Dit is van cruciaal belang voor het begrijpen van de rol van het microbiome in gezondheid en ziekte.