Imputing relative abundances via Gaussian random fields

De menselijke biologie is zelden een enkel momentopname; het is een verhaal dat zich in de loop van de tijd ontvouwt. In velden zoals microbiome-onderzoek volgen wetenschappers de minuscule gemeenschappen van bacteriën die in ons leven, en ze observeren hoe deze van week tot week, maand tot maand of jaar tot jaar verschuiven en veranderen. Deze gemeenschappen worden niet gemeten door individuele bacteriën te tellen, maar door te kijken naar de relatieve proporties van verschillende soorten, vergelijkbaar met het zien hoe de ingrediënten in een soep veranderen terwijl de pan pruttelt. Deze aanpak is krachtig omdat het de dynamische gezondheid van iemands interne ecosysteem onthult. Het is echter berucht moeilijk om dit soort langdurige monitoring perfect bij te houden. Mensen missen afspraken, monsters raken onderweg kwijt of machines lezen de gegevens niet correct uit. Wanneer een enkele meting ontbreend is in een lange tijdlijn, breekt het verhaal. De continue stroom van gegevens wordt onderbroken, wat het moeilijk maakt om de ware patronen van gezondheid of ziekte te zien, en dwingt onderzoekers vaak om waardevolle informatie weg te gooien, simpelweg omdat er een stukje ontbreekt.

Om dit probleem op te lossen, hebben onderzoekers Andrey Shternshis, Prashant Singh en Luisa W. Hugerth een nieuwe manier ontwikkeld om die ontbrekende stukjes van de biologische puzzel in te vullen. Ze creëerden een wiskundig kader dat werkt als een bekwame verhalenverteller, in staat om te verbeelden hoe een ontbrekend monster er waarschijnlijk uitzag op basis van alles wat elders is vastgelegd. In plaats van simpelweg het meest voor de hand liggende antwoord te raden of een eerdere meting te kopiëren, gebruikt hun methode een geavanceerde statistische benadering genaamd een Gaussisch willekeurig veld. Deze techniek stelt het model in staat om de complexe relaties tussen verschillende bacteriën binnen een enkel monster te begrijpen en hoe die relaties in de loop van de tijd evolueren voor een specif kind of persoon. Het is ontworpen om te werken, zelfs wanneer de gegevens schaars zijn, door gebruik te maken van een gematigd aantal parameters zodat het niet in de war raakt door ruis, een veelvoorkomend probleem bij complexere kunstmatige intelligentiemodellen die enorme hoeveelheden data nodig hebben om te leren.

De kern van deze nieuwe methode is het vermogen om met "compositionele" gegevens om te gaan, wat betekent dat het de regel respecteert dat alle onderdelen van een monster samen een geheel moeten vormen. Als één type bacterie lijkt toe te nemen, begrijpt het model dat de relatieve hoeveelheden van anderen dienovereenkomstig moeten afnemen. Bovendien houdt het rekening met het feit dat sommige bacteriën in zulke kleine aantallen aanwezig kunnen zijn dat ze niet worden gedetecteerd, waarbij ze als zeer kleine waarden worden behandeld in plaats van nul, wat de wiskundige logica intact houdt. Door niet slechts één gok te genereren, maar vele mogbare versies van de ontbrekende gegevens, legt het model de natuurlijke onzekerheid van de biologie vast. Dit stelt wetenschappers in staat om hun analyses uit te voeren op een volledige set voltooide datasets, waardoor ze ervoor zorgen dat hun uiteindelijke conclusies over gezondheidstrends robuust zijn en rekening houden met de hiaten in de oorspronkelijke verslagen.

De onderzoekers testten dit kader op echte gegevens uit drie verschillende studies met menselijke deelnemers. In één studie keken ze naar darmbacteriën van honderden zwangere vrouwen om te zien of ze konden voorspellen wie een postpartum depressie zou ontwikkelen. In een andere onderzochten ze zuigelingen om te voorspellen welke kinderen een specifieke voedselallergie zouden ontwikkelen. In een derde analyseerden ze darmmonsters van volwassenen in de middelbare leeftijd om te zien hoe goed het model gegevens kon reconstrueren voor soorten die het meest varieerden in hun populaties. De resultaten waren veelbelovend. Wanneer het model de ontbrekende monsters invulde, produceerde het gegevens die opmerkelijk dicht bij de werkelijke metingen lagen, waarbij het oudere, eenvoudigere methoden die gewoon de laatst bekende waarde doortrokken, overtrof. Belangrijker nog, wanneer ze deze gereconstrueerde datasets gebruikten om gezondheidsuitkomsten te voorspellen, verbeterde de nauwkeurigheid aanzienlijk. Voor de zuigelingen hielp het model bij het correct identificeren van voedselallergieën met een gebalanceerde nauwkeurigheid van 0,72, een opmerkelijke verbetering ten opzilen van eerdere pogingen. Voor de zwangere vrouwen hielp het bij het voorspellen van postpartum depressie met een gebalanceerde nauwkeurigheid van 0,64.

Wat dit werk bijzonder waardevol maakt, is dat het niet leunt op "black-box"-algoritmen die onmogelijk te interpreteren zijn. Het model is transparant, wat betekent dat onderzoekers precies kunnen zien hoe het de beschikbare informatie gebruikt — zoals de tijd van het monster en de specifieke kenmerken van de deelnemer — om hun voorspellingen te doen. Het slaat succesvol een brug tussen de rommelige realiteit van menselijke studies, waarbij ontbrekende gegevens eerder de regel dan de uitzondering zijn, en de noodzaak voor volledige, hoogwaardige datasets om biologische trends te begrijpen. Door een manier te bieden om deze onderbroken tijdlijnen met statistische strengheid te reconstrueren, biedt het kader een praktisch instrument voor wetenschappers om verloren inzichten te herstellen en meer betrouwbare voorspellingen over de menselijke gezondheid te doen, waardoor gefragmenteerde verslagen worden omgezet in een samenhangend narratief van biologische verandering.