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

Resumo Técnico: TRECOR para Análise de Redes Diferenciais em Dados Microbióticos

1. O Problema

A análise de redes de covariância microbiana é fundamental para entender a estrutura e função dos ecossistemas microbianos. No entanto, a maioria dos métodos existentes assume que a estrutura da rede (a matriz de covariância) é estática entre as amostras. Na realidade, as interações microbianas são dinâmicas e podem se "reconfigurar" (rewiring) em resposta a fatores do hospedeiro (como idade e sexo) ou ambientais (como dieta e localização geográfica).

Os desafios principais ao analisar dados microbióticos incluem:

• Inflação de zeros: A presença excessiva de contagens zero devido à baixa abundância de certas espécies.
• Restrição Composicional: Os dados são contagens relativas (a soma é fixa), o que viola pressupostos de distribuições normais padrão.
• Dimensionalidade: O número de táxons (espécies/gêneros) é frequentemente muito maior que o número de amostras.
• Limitações de Métodos Atuais: Métodos existentes, como o MiCoRe, enfrentam dificuldades computacionais em alta dimensionalidade devido à falta de conjugação entre o modelo de amostragem multinomial e a distribuição normal logística, além de assumirem perturbações de covariância de rank muito restritas (rank-1).

2. Metodologia: O Framework TRECOR

Os autores propõem o TRECOR (Tree-based REgression COvariance Regression), um framework de regressão de covariância Bayesiana baseado na distribuição Logistic-Tree-Normal (LTN).

Componentes Principais do Modelo:

1. Representação em Nós Internos da Árvore Filogenética:

   • Em vez de modelar contagens diretamente nos táxons (folhas da árvore), o modelo define variáveis latentes nos nós internos da árvore filogenética.
   • Cada nó interno representa um clado (grupo de descendentes comuns). A variável latente $\phi_{ij}$ é o log-odds da proporção entre dois sub-clado irmãos.
   • Vantagem: Contagens em nível de clado agregado sofrem muito menos de inflação de zeros do que contagens de folhas individuais.

2. Fatoração Binomial e Conjugação Total:

   • O modelo utiliza a fatoração binomial da distribuição multinomial sob a representação LTN.
   • Isso permite que o modelo alcance conjugação total, permitindo inferência posterior eficiente via amostrador de Gibbs, evitando passos de Metropolis-Hastings que são computacionalmente caros e instáveis em alta dimensão.

3. Regressão de Covariância Esparsa + Rank Baixo:

   • O modelo assume que a variável latente $\phi_i$ segue uma distribuição Normal Multivariada onde tanto a média quanto a covariância dependem de covariáveis ($x_i$).
   • Decomposição da Covariância: A matriz de covariância $\Sigma(x)$ é decomposta em:
     $$\Sigma(x) = \Sigma_{\text{baseline}} + \sum_{r=1}^{R} B_r x_i x_i^\top B_r^\top$$
     • $\Sigma_{\text{baseline}}$: Uma componente esparsa que representa a rede de covariância microbiana estável (base).
     • $\sum B_r x_i x_i^\top B_r^\top$: Uma perturbação de rank baixo dependente das covariáveis, que captura a "reconfiguração" da rede.
   • Isso permite capturar efeitos heterogêneos complexos das covariáveis, superando a limitação de rank-1 de métodos anteriores.

4. Inferência e Identificabilidade:

   • Os parâmetros $B_r$ não são identificáveis individualmente devido a rotações ortogonais, mas a norma de Frobenius das colunas associadas a cada covariável ($\|B^{(j)}\|_F$) é identificável e serve como medida do efeito da covariável na estrutura de covariância.
   • Priors de LASSO gráfico são usados para a esparsidade de $\Sigma$, e priors normais matriciais são usados para os coeficientes de regressão.

3. Contribuições Chave

• Novo Framework Estatístico: Integração de regressão de covariância com dados composicionalmente restritos e inflados de zeros usando a distribuição LTN.
• Eficiência Computacional: O uso de variáveis latentes de Polya-Gamma e a fatoração binomial garantem conjugação total, permitindo escalabilidade para centenas de táxons (nós internos), algo que métodos como o MiCoRe não conseguem fazer eficientemente.
• Flexibilidade de Rank: Permite perturbações de rank arbitrário ($R$), capturando efeitos de covariáveis mais complexos do que modelos de rank-1.
• Interpretabilidade Biológica: O uso de nós internos da árvore filogenética fornece uma hierarquia natural para identificar "clados-chave" (keystone clades) que dirigem a reconfiguração da rede.

4. Resultados

A. Experimentos Numéricos (Simulações):

• O TRECOR foi comparado com: (1) G-LASSO (ignora covariáveis), (2) Regressão de Covariância Gaussiana em dados transformados (CovReg), e (3) Um benchmark "oracle" (que conhece as variáveis latentes verdadeiras).
• Desempenho: O TRECOR superou significativamente o CovReg e o G-LASSO na recuperação de arestas (edges) e na precisão de estimativa/predição da matriz de covariância.
• Conclusão: Modelar explicitamente a camada de amostragem composicional é crucial; transformações simples (como log-ratio) não são suficientes para capturar a estrutura correta em dados com muitos zeros.
• Escalabilidade: O método escala bem para $q=100$ nós internos, enquanto métodos baseados em Metropolis (como MiCoRe) falham em convergir para tamanhos maiores.

B. Estudo de Caso (Dados de Yatsunenko et al., 2012):

• Dados: 531 indivíduos de Malawi, Venezuela e EUA, analisados por idade, sexo e país.
• Descobertas sobre a Média vs. Covariância:
  • A análise baseada apenas na média mostrou que o país e a idade afetam a abundância, mas o sexo teve pouco efeito.
  • A análise de covariância (TRECOR) revelou que a idade tem o maior efeito na reconfiguração da rede microbiana, um padrão não detectado pela análise de média.
• Redes Diferenciais:
  • Idade: A rede diferencial associada à idade é enriquecida para a família Enterobacteriaceae e táxons relacionados, consistente com o desvio conhecido da microbiota intestinal de anaeróbios facultativos (comuns em neonatos) para anaeróbios obrigatórios em adultos.
  • País: As redes diferenciais associadas ao país (EUA e Venezuela vs. Malawi) implicam táxons relacionados à dieta. A rede dos EUA mostrou mudanças mais drásticas, refletindo diferenças dietéticas maiores em relação ao Malawi.
• Estrutura da Rede Base: A rede de correlação populacional (baseline) mostrou-se esparsa, com correlações significativas concentradas entre nós filogeneticamente próximos (pais e filhos na árvore), sugerindo que a co-variação basal é impulsionada por táxons relacionados.

5. Significado e Conclusão

O TRECOR oferece uma ferramenta estatística robusta para investigar como fatores ambientais e do hospedeiro remodelam as interações microbianas, indo além da simples mudança na abundância média.

• Avanço Metodológico: Resolve o dilema da inferência em dados microbióticos de alta dimensão, zero-inflados e composicionais, garantindo eficiência computacional através da conjugação total.
• Insights Biológicos: Demonstra que a "reconfiguração" da rede (differential network) é um fenômeno distinto da mudança de abundância média. A idade, especificamente, emerge como um fator crítico na reestruturação das interações microbianas, algo que análises tradicionais de abundância média poderiam subestimar.
• Aplicabilidade: O método permite identificar "clados-chave" (nós internos com alto grau na rede diferencial) que atuam como hubs na reorganização da comunidade microbiana, oferecendo alvos potenciais para intervenções de precisão.

O código e os dados estão disponíveis publicamente no repositório GitHub do autor, facilitando a reprodutibilidade e a aplicação em outros estudos microbióticos.