Imputing relative abundances via Gaussian random fields

人类生物学很少是一个单一的快照；它是一个随时间展开的故事。在微生物组研究等领域，科学家们追踪着生活在我们体内的微小细菌群落，观察它们如何在一周、一月或一年内发生偏移和变化。这些群落的测量并非通过计数单个细菌，而是通过观察不同类型细菌的相对比例，就像观察汤中各种成分如何随着锅中汤汁的炖煮而发生变化一样。这种方法之所以强大，是因为它揭示了一个人内部生态系统的动态健康状况。然而，这种长期的追踪追踪极其难以保持完美。人们会错过预约，样本在运输过程中会丢失，或者机器无法正确读取数据。当一段漫长的时间线中缺失了一个单一的测量值时，故事就会中断。数据的连续流被切断，使得观察健康或疾病的真实模式变得困难，并往往迫使研究人员仅仅因为缺失了一部分数据就不得不丢弃宝贵的信息。

为了解决这个问题，研究人员安德烈·什特恩希斯（Andrey Shternshis）、普拉尚特·辛格（Prashant Singh）和路易莎·W·胡格斯（Luisa W. Hugerth）开发了一种填补这些生物学拼图缺失部分的新方法。他们创建了一个数学框架，这个框架就像一位熟练的讲故事的人，能够根据记录中的其他所有信息，想象出缺失的样本原本可能是什么样子的。该方法并非简单地猜测最显而易见的答案或复制之前的测量值，而是使用了一种被称为高斯随机场（Gaussian random field）的高级统计方法。这种技术使模型能够理解单个样本中不同细菌之间的复杂关系，以及这些关系在特定个体身上如何随时间演变。它旨在处理稀疏数据，使用适中的参数数量，因此不会被噪声所干扰——而对于需要海量数据进行学习的更复杂的人工智能模型来说，噪声是一个常见问题。

这种新方法的核心能力在于其处理“成分性”（compositional）数据的能力，这意味着它遵循所有部分的比例之和必须等于一个整体的规则。如果某种类型的细菌表现出增加，模型会理解其他类型的相对含量必然会相应减少。此外，它还考虑到了某些细菌可能由于数量极少而未被检测到的情况，将其视为极小值而非零，从而保持了数学逻辑的严密性。通过生成的不仅仅是一个猜测，而是许多个可能的缺失数据版本，该模型捕捉到了生物学的自然不确定性。这使得科学家能够对整套完整的数据库进行分析，确保他们关于健康趋势的最终结论是稳健的，并充分考虑了原始记录中的空白。

研究人员在涉及人类参与者的三项不同研究的真实世界数据上测试了这个框架。在一项研究中，他们观察了数百名孕妇的肠道细菌，以观察是否可以预测谁会患上产后抑郁症。在另一项研究中，他们检查了婴儿，以预测哪些儿童会发展出特定的食物过敏。在第三项研究中，他们分析了中年人的肠道样本，以观察模型在重建那些在人群中变化最为剧烈的物种数据方面表现如何。结果令人鼓舞。当模型填补缺失样本时，它产生的数据与真实测量值非常接近，表现优于以往仅是将已知数值向前延伸的简单方法。更重要的是，当他们使用这些重建后的数据集来预测健康结果时，准确性显著提高。对于婴儿，该模型以 0.72 的平衡准确度正确识别了食物过敏，较之以往的研究有了显著提升。对于孕妇，它以 0.64 的平衡准确度预测了产后抑郁症。

这项工作的价值在于它并不依赖于无法解释的“黑箱”算法。该模型是透明的，这意味着研究人员可以清楚地看到它是如何利用现有信息（例如样本采集的时间和参与者的特定特征）来进行预测的。它成功地弥合了人类研究中混乱现实（即缺失数据是常态而非例外）与对完整、高质量数据集的需求之间的鸿沟。通过提供一种以统计严谨性重建这些破碎时间线的方法，该框架为科学家提供了一个实用的工具，帮助他们恢复丢失的洞察力，并做出更可靠的预测，将碎片化的记录转化为关于生物学变化的连贯叙事。