Выявление многофакторных ассоциаций в метаомных исследованиях популяционного масштаба

Связывать такие показатели, как состояние здоровья человека, особенности питания, условия окружающей среды и другие метаданные, с характеристиками микробных сообществ сложно, отчасти из-за особенностей этих данных. Мультиомные данные микробиома обычно зашумлены, разрежены (с избытком нулевых значений), имеют высокую размерность и значительно отклоняются от нормального распределения; часто они представлены счётными или композиционными величинами. Мы предлагаем оптимизированное сочетание новых и уже известных методов для оценки многофакторных ассоциаций между характеристиками микробных сообществ и сложными метаданными в обсервационных исследованиях популяционного масштаба. Наш подход MaAsLin 2 (многофакторные ассоциации микробиома с помощью линейных моделей) использует обобщённые линейные модели и модели со смешанными эффектами, что позволяет применять его в различных современных эпидемиологических исследованиях, включая поперечные и продольные, а также анализировать разные типы данных (например, счётные значения и относительную численность) с учётом ковариат и повторных измерений или без них. Для разработки метода мы провели масштабную оценку широкого спектра ситуаций, в которых непосредственное выявление ассоциаций в метаомных данных затруднено. Результаты симуляционных исследований показали, что линейная модель MaAsLin 2 сохраняет статистическую мощность при повторных измерениях и наличии нескольких ковариат, учитывает особенности метаомных признаков и контролирует частоту ложных открытий. Кроме того, мы применили MaAsLin 2 к мультиомному набору данных о микробиоме из проекта Integrative Human Microbiome (HMP2). Помимо воспроизведения ранее установленных результатов, анализ выявил целостную картину воспалительных заболеваний кишечника (ВЗК) по нескольким временным точкам и омиксным профилям.