Bayesian compositional regression with microbiome features via variational inference

BMC Bioinformatics

Research

Jody Phelan¹  Darren A. V. Scott¹  Alex Lewin¹  Julian Libiseller-Egger¹  Taane Clark¹  Elena Ilina²  Julia Galeeva²  Dmitry Fedorov²  Polina Tikhonova³  Ernest Benavente⁴  Alexander Kudryavstev⁵ 

[1] Department of Medical Statistics, London School of Hygiene and Tropical Medicine, Keppel Street, London, United Kingdom;Federal Research and Clinical Center of Physical-Chemical Medicine, Moscow, Russia;Federal Research and Clinical Center of Physical-Chemical Medicine, Moscow, Russia;Bioinformatics and Genomics Intercollege Graduate Program, Huck Institutes of Life Sciences, Pennsylvania State University, Pennsylvania, USA;Laboratory of Experimental Cardiology, University Medical Center Utrecht, Utrecht University, Utrecht, Netherlands;Northern State Medical University, Arkhangelsk, Russia;

关键词: Compositional;    Variational inference;    Microbiome;    Singular multivariate normal;    Markov chain Monte Carlo;   

DOI  :  10.1186/s12859-023-05219-x

 received in 2022-12-08, accepted in 2023-03-02,  发布年份 2023

来源: Springer

【 摘 要 】

The microbiome plays a key role in the health of the human body. Interest often lies in finding features of the microbiome, alongside other covariates, which are associated with a phenotype of interest. One important property of microbiome data, which is often overlooked, is its compositionality as it can only provide information about the relative abundance of its constituting components. Typically, these proportions vary by several orders of magnitude in datasets of high dimensions. To address these challenges we develop a Bayesian hierarchical linear log-contrast model which is estimated by mean field Monte-Carlo co-ordinate ascent variational inference (CAVI-MC) and easily scales to high dimensional data. We use novel priors which account for the large differences in scale and constrained parameter space associated with the compositional covariates. A reversible jump Monte Carlo Markov chain guided by the data through univariate approximations of the variational posterior probability of inclusion, with proposal parameters informed by approximating variational densities via auxiliary parameters, is used to estimate intractable marginal expectations. We demonstrate that our proposed Bayesian method performs favourably against existing frequentist state of the art compositional data analysis methods. We then apply the CAVI-MC to the analysis of real data exploring the relationship of the gut microbiome to body mass index.

【 授权许可】

CC BY   
© The Author(s) 2023

【 图 表 】

41116_2023_36_Article_IEq408.gif

41116_2023_36_Article_IEq407.gif

41116_2023_36_Article_IEq404.gif

Fig. 3

41116_2023_36_Article_IEq401.gif

Fig. 2

41116_2023_36_Article_IEq399.gif

41116_2023_36_Article_IEq398.gif

41116_2023_36_Article_IEq397.gif

41116_2023_36_Article_IEq396.gif

Fig. 1

41116_2023_36_Article_IEq394.gif

41116_2023_36_Article_IEq393.gif

41116_2023_36_Article_IEq392.gif

41116_2023_36_Article_IEq391.gif

41116_2023_36_Article_IEq390.gif

41116_2023_36_Article_IEq389.gif

41116_2023_36_Article_IEq388.gif

41116_2023_36_Article_IEq387.gif

41116_2023_36_Article_IEq386.gif

41116_2023_36_Article_IEq384.gif

41116_2023_36_Article_IEq383.gif

41116_2023_36_Article_IEq382.gif

Fig. 1

41116_2023_36_Article_IEq380.gif

41116_2023_36_Article_IEq379.gif

41116_2023_36_Article_IEq378.gif

12938_2023_1111_Article_IEq24.gif

41116_2023_36_Article_IEq377.gif

41116_2023_36_Article_IEq376.gif

41116_2023_36_Article_IEq375.gif

41116_2023_36_Article_IEq374.gif

Fig. 5

41116_2023_36_Article_IEq372.gif

41116_2023_36_Article_IEq370.gif

41116_2023_36_Article_IEq369.gif

41116_2023_36_Article_IEq368.gif

41116_2023_36_Article_IEq367.gif

41116_2023_36_Article_IEq366.gif

41116_2023_36_Article_IEq365.gif

41116_2023_36_Article_IEq364.gif

41116_2023_36_Article_IEq362.gif

Fig. 4

41116_2023_36_Article_IEq361.gif

41116_2023_36_Article_IEq360.gif

41116_2023_36_Article_IEq359.gif

41116_2023_36_Article_IEq358.gif

41116_2023_36_Article_IEq354.gif

41116_2023_36_Article_IEq353.gif

41116_2023_36_Article_IEq352.gif

41116_2023_36_Article_IEq351.gif

41116_2023_36_Article_IEq350.gif

Fig. 3

41116_2023_36_Article_IEq347.gif

41116_2023_36_Article_IEq346.gif

41116_2023_36_Article_IEq345.gif

41116_2023_36_Article_IEq344.gif

Fig. 5

41116_2023_36_Article_IEq342.gif

41116_2023_36_Article_IEq341.gif

41116_2023_36_Article_IEq340.gif

41116_2023_36_Article_IEq338.gif

41116_2023_36_Article_IEq336.gif

41116_2023_36_Article_IEq335.gif

41116_2023_36_Article_IEq334.gif

41116_2023_36_Article_IEq333.gif

41116_2023_36_Article_IEq332.gif

Fig. 4

41116_2023_36_Article_IEq330.gif

Fig. 2

41116_2023_36_Article_IEq328.gif

41116_2023_36_Article_IEq327.gif

41116_2023_36_Article_IEq326.gif

40517_2023_256_Article_IEq244.gif

41116_2023_36_Article_IEq325.gif

41116_2023_36_Article_IEq324.gif

41116_2023_36_Article_IEq323.gif

41116_2023_36_Article_IEq322.gif

41116_2023_36_Article_IEq321.gif

Fig. 3

Fig. 2

41116_2023_36_Article_IEq318.gif

41116_2023_36_Article_IEq317.gif

41116_2023_36_Article_IEq316.gif

41116_2023_36_Article_IEq315.gif

41116_2023_36_Article_IEq314.gif

41116_2023_36_Article_IEq313.gif

41116_2023_36_Article_IEq312.gif

41116_2023_36_Article_IEq311.gif

41116_2023_36_Article_IEq310.gif

41116_2023_36_Article_IEq309.gif

41116_2023_36_Article_IEq308.gif

41116_2023_36_Article_IEq307.gif

Fig. 2

Fig. 1

41116_2023_36_Article_IEq304.gif

41116_2023_36_Article_IEq303.gif

41116_2023_36_Article_IEq302.gif

41116_2023_36_Article_IEq301.gif

Fig. 1

41116_2023_36_Article_IEq297.gif

41116_2023_36_Article_IEq296.gif

41116_2023_36_Article_IEq295.gif

41116_2023_36_Article_IEq294.gif

40517_2023_256_Article_IEq213.gif

41116_2023_36_Article_IEq293.gif

41116_2023_36_Article_IEq292.gif

41116_2023_36_Article_IEq291.gif

Fig. 1

Fig. 1

41116_2023_36_Article_IEq287.gif

41116_2023_36_Article_IEq286.gif

41116_2023_36_Article_IEq285.gif

41116_2023_36_Article_IEq284.gif

Fig. 1

41116_2023_36_Article_IEq274.gif

41116_2023_36_Article_IEq273.gif

41116_2023_36_Article_IEq272.gif

41116_2023_36_Article_IEq270.gif

Fig. 8

41116_2023_36_Article_IEq269.gif

41116_2023_36_Article_IEq268.gif

41116_2023_36_Article_IEq267.gif

41116_2023_36_Article_IEq266.gif

41116_2023_36_Article_IEq265.gif

Fig. 1

Fig. 1

41116_2023_36_Article_IEq260.gif

41116_2023_36_Article_IEq259.gif

41116_2023_36_Article_IEq258.gif

41116_2023_36_Article_IEq257.gif

Fig. 1

41116_2023_36_Article_IEq255.gif

41116_2023_36_Article_IEq254.gif

41116_2023_36_Article_IEq253.gif

Fig. 4

Fig. 2

Fig. 1

Fig. 1

41116_2023_36_Article_IEq247.gif

41116_2023_36_Article_IEq246.gif

41116_2023_36_Article_IEq245.gif

Fig. 3

41116_2023_36_Article_IEq243.gif

41116_2023_36_Article_IEq242.gif

41116_2023_36_Article_IEq240.gif

41116_2023_36_Article_IEq238.gif

41116_2023_36_Article_IEq237.gif

Fig. 2

41116_2023_36_Article_IEq235.gif

41116_2023_36_Article_IEq234.gif

41116_2023_36_Article_IEq232.gif

41116_2023_36_Article_IEq231.gif

41116_2023_36_Article_IEq220.gif

41116_2023_36_Article_IEq219.gif

Fig. 3

41116_2023_36_Article_IEq217.gif

41116_2023_36_Article_IEq216.gif

41116_2023_36_Article_IEq215.gif

41116_2023_36_Article_IEq213.gif

41116_2023_36_Article_IEq212.gif

41116_2023_36_Article_IEq211.gif

41116_2023_36_Article_IEq210.gif

41116_2023_36_Article_IEq209.gif

Fig. 1

Fig. 1

Fig. 3

41116_2023_36_Article_IEq205.gif

Fig. 2

41116_2023_36_Article_IEq185.gif

41116_2023_36_Article_IEq184.gif

Fig. 1

41116_2023_36_Article_IEq182.gif

41116_2023_36_Article_IEq181.gif

41116_2023_36_Article_IEq180.gif

41116_2023_36_Article_IEq179.gif

41116_2023_36_Article_IEq178.gif

Fig. 2

41116_2023_36_Article_IEq176.gif

41116_2023_36_Article_IEq175.gif

41116_2023_36_Article_IEq174.gif

41116_2023_36_Article_IEq173.gif

41116_2023_36_Article_IEq172.gif

41116_2023_36_Article_IEq171.gif

41116_2023_36_Article_IEq170.gif

41116_2023_36_Article_IEq157.gif

41116_2023_36_Article_IEq146.gif

Fig. 1

41116_2023_36_Article_IEq145.gif

Fig. 1

41116_2023_36_Article_IEq143.gif

41116_2023_36_Article_IEq142.gif

Fig. 8

Fig. 7

40517_2023_256_Article_IEq71.gif

40517_2023_256_Article_IEq68.gif

Fig. 5

41116_2023_36_Article_IEq141.gif

41116_2023_36_Article_IEq140.gif

41116_2023_36_Article_IEq138.gif

41116_2023_36_Article_IEq93.gif

Fig. 1

12888_2023_4839_Article_IEq2.gif

41116_2023_36_Article_IEq80.gif

12888_2023_4839_Article_IEq1.gif

Fig. 3

41116_2023_36_Article_IEq78.gif

12888_2023_4816_Article_IEq4.gif

Fig. 2

Fig. 7

41116_2023_36_Article_IEq58.gif

41116_2023_36_Article_IEq44.gif

41116_2023_36_Article_IEq43.gif

41116_2023_36_Article_IEq42.gif

41116_2023_36_Article_IEq40.gif

41116_2023_36_Article_IEq39.gif

41116_2023_36_Article_IEq38.gif

41116_2023_36_Article_IEq19.gif

41116_2023_36_Article_IEq18.gif

41116_2023_36_Article_IEq17.gif

41116_2023_36_Article_IEq15.gif

Fig. 6

Fig. 1

Fig. 2

Fig. 5

Fig. 4

Fig. 29

Fig. 2

Fig. 1

Fig. 5

40517_2023_256_Article_IEq107.gif