技术摘要：一种针对过度离散多项式微生物组计数数据的污染模型

1. 问题陈述

多项式计数数据，特别是在人类肠道微生物组测序的背景下，经常表现出过度离散（overdispersion）现象，即观测到的变异性超过了标准多项式分布所预测的变异性。狄利克雷-多项式（Dirichlet-multinomial, DM）分布是解决这种过度离散问题的经典方案；然而，它对异常观测值（污染）仍然十分敏感。

在现实世界的数据集中，此类异常可能源于实验噪声或生物学离群值。当这些异常存在时，它们会不成比例地放大 DM 模型的估计离散参数。这种扭曲会导致参数估计产生偏差，并可能导致误导性的生物学推断。虽然“粗大异常”（无法预测的观测值）通常会被剔除，但“轻微异常”（来自与假设模型不同的群体的观测值）则需要一种能够容纳这些观测值而不丢弃数据的建模方法。现有的 DM 模型缺乏区分真实过度离散与污染诱导变异的灵活性。

2. 方法论

2.1. 污染狄利克雷-多项式 (CDM) 分布

作者提出了污染狄利克雷-多项式 (CDM) 分布，这是一种旨在处理轻微异常的两成分混合模型。其概率质量函数 (PMF) 定义为：

$$f_{CDM_m}(y; \pi, \sigma, \delta, \eta) = (1 - \delta) f_{DM_m}(y; \pi, \sigma) + \delta f_{DM_m}(y; \pi, \eta\sigma)$$

其中：

• 参考成分： $(1 - \delta) f_{DM_m}(y; \pi, \sigma)$ 代表典型数据，遵循具有均值比例 $\pi$ 和离散度 $\sigma$ 的标准 DM 分布。
• 污染成分： $\delta f_{DM_m}(y; \pi, \eta\sigma)$ 代表异常数据。它共享相同的均值向量 $\pi$，但拥有膨胀的离散参数 $\eta\sigma$，其中 $\eta > 1$。
• 参数：
  • $\pi$：均值比例向量（可解释为群体等位基因频率或相对丰度）。
  • $\sigma$：参考成分的离散参数。
  • $\delta \in (0, 1)$：属于污染成分的观测值比例。
  • $\eta > 1$：代表污染成分中变异程度增加的膨胀因子。

2.2. 可识别性

论文讨论了 CDM 模型的可识别性问题。虽然狄利克雷类分布的一般混合模型在不受限制的参数空间上是不可识别的，但 CDM 模型特定的结构（在各成分间共享共同均值 $\pi$）确保了在 $D \geq 3$（其中 $D$ 为类别数）时的可识别性。约束条件 $\eta > 1$ 通过强制执行一种内在排序（即污染成分的离散度严格大于参考成分），进一步防止了标签切换（label switching）问题。

2.3. 估计与推断

• 极大似然估计 (MLE)： 参数通过数值化最大化对数似然函数进行估计。作者建议采用两步初始化方法：首先拟合一个标准的 DM 模型以获得 $\pi$ 和 $\sigma$ 的初始值，然后利用这些值进行 CDM 估计，并令 $\delta \to 0^+$ 且 $\eta \to 1^+$。
• 模型选择： 使用赤池信息准则 (AIC) 和贝叶斯信息准则 (BIC) 将 CDM 模型与标准 DM 模型及多项式模型进行比较。
• 异常检测： 计算后验概率以进行观测值分类。如果一个观测值 $y$ 来自污染成分的概率超过 0.5，则将其归类为异常观测值（尽管该阈值可以进行调整）。

3. 核心贡献

1. 新颖的分布： 引入了 CDM 分布，该分布通过一个与参考数据共享相同均值的统计高离散成分，显式地对轻微异常进行建模。
2. 鲁棒性： 证明了 CDM 模型能够降低异常观测值对参数估计的影响，防止了困扰标准 DM 模型的离散参数膨胀问题。
3. 可解释性： 该模型为污染提供了直接的解释：$\delta$ 量化了异常比例，而 $\eta$ 量化了其严重程度（变异膨胀）。
4. 自动检测： 该框架通过后验概率提供了一种自然的异常检测规则，无需预先指定可疑观测值。

4. 结果

4.1. 模拟研究

进行了两项敏感性分析以评估 CDM 模型：

• 单点异常： 在引入单个异常点且其与主簇距离不断变化的场景下，CDM 模型保持了稳定的参数估计。相比之下，标准 DM 模型的估计误差随着异常点远离数据中心而显著增加。CDM 模型在保持极低假阳性率 (FPR) 的同时，实现了较高的真阳性率 (TPR)。
• 背景噪声： 在涉及 10% 背景噪声（均匀分布并重新缩放）的场景中，CDM 模型有效地区分了典型观测值与噪声观测值。虽然由于部分噪声与典型数据相似导致 TPR 未能达到 1.0，但 FPR 始终保持在极低水平（< 0.01）。标准 DM 模型在估计均值比例方面表现出显著偏差，特别是当噪声使数据偏离定义域中心时。

4.2. 现实应用

该模型被应用于 Nakatsu 等人 (2015) 的 16S rRNA 测序数据，重点关注两个子集中的六种细菌门类：健康组 (Healthy) 和 癌组织组 (Carcinoma)（紧邻肿瘤的组织）。

• 模型拟合： 在两个子集中，CDM 模型在所有信息准则（AIC 和 BIC）上均优于标准 DM 模型和多项式模型。
• 参数估计：
  • 健康组： CDM 模型识别出约 21.3% 的观测值为异常值（$\hat{\delta} = 0.213$），且具有较高的膨胀因子（$\hat{\eta} \approx 4.0$）。至关重要的是，其估计的参考成分离散度（$\hat{\sigma} = 0.091$）显著低于标准 DM 模型的估计值（$\hat{\sigma} = 0.174$），这表明标准模型因污染而高估了离散度。
  • 癌组织组： 观察到类似结果，17.8% 的观测值被归类为异常。其参考成分离散度从 DM 模型的 0.125 降至 CDM 模型的 0.068。
• 异常识别： 模型在健康组中识别出 11 个异常观测值，在癌组织组中识别出 7 个。通过对成对散点图的视觉检查确认，这些识别出的异常值位于数据云的边缘，表明它们代表的是非典型的生物组成而非随机噪声。

5. 意义与主张

论文声称 CDM 分布为分析过度离散的多项式计数数据（特别是微生物组研究领域）提供了一个鲁棒且具可解释性的工具。其主要意义在于能够：

1. 解耦真实的生物学过度离散与由异常观测引起的人为膨胀。
2. 防止误导性的生物学推断，即避免标准 DM 模型将污染错误地归因为潜在的生物过程。
3. 提供一个原则性的框架进行异常检测，无需删除数据，从而保留了样本量和统计效力。

作者总结道，虽然该模型的动机源于微生物组数据，但其适用范围涵盖任何涉及多项式计数数据且常见污染与过度变异特征的场景。这项工作并不声称解决了“粗大异常”（需要移除）的问题，而是专门通过灵活的混合建模方法针对“轻微异常”进行处理。