MỚI

MetamicrobiomeR: Một package R dùng để phân tích dữ liệu có độ đa dạng tương đối về hệ vi sinh vật sử dụng mô hình GAMLSS phân phối zero-inflated beta và phân tích tổng hợp các nghiên cứu sử dụng mô hình hiệu quả ngẫu nhiên được đăng tải trên tạp chí BMC Bioinformatics chương 20 mục 01 trang 188.

Ngày xuất bản: 10/05/2022

Nhóm tác giả: Nhan Thi Ho 1 2, Fan Li 3, Shuang Wang 4, Louise Kuhn 5

Ngày xuất bản: 16/08/2019

Nơi công tác

  1. Trung tâm Gertrude H. Sergievsky, Đại học Columbia, Thành phố New York, Hoa Kì
  2. Viện Cải tiến dược phẩm và khoa học ứng dụng, Hệ thống chăm sóc sức khỏe Vinmec, 458 Minh Khai, Hai Bà Trưng, Hà Nội, Việt Nam
  3. Khoa Nhi,  Đại học California, Los Angeles, Hoa Kì.
  4. Khoa Thống kê sinh học, Trường Y tế Công cộng Mailman, Đại học Columbia, Thành phố NewYork, Hoa Kì.
  5. Trung tâm Gertrude H. Sergievsky, Đại học Columbia, Thành phố New York, Hoa Kì

Tóm tắt

Bối cảnh: Sự phát triển nhanh chóng của nguồn dữ liệu về hệ vi sinh vật dựa trên giải trình tự thông lượng cao đã mang lại hiểu biết sâu sắc về sức khỏe và sinh lý của con người. Dữ liệu tổng hợp từ giải trình tự thông lượng cao của các amplicon (một phần của AND hoặc ARN) từ gen mã hóa tiêu đơn vị 16S của rARN thường được xử lý thành các thành phần hoặc các mức độ đa dạng tương đối. Tuy nhiên, tính tái lập đã mất đi do vô số các kết quả khác nhau trong phương pháp thử nghiệm và tính toán khi tiếp cận những nghiên cứu này. Các nghiên cứu về hệ vi sinh vật có thể cho những kết quả khác nhau trong cùng một nội dung do đó các phân tích tổng hợp kiểm tra sự khác biệt giữa các nghiên cứu hệ vi sinh vật để cho kết quả đáng tin cậy là quan trọng. Cho đến nay, vẫn còn thiếu các phương thức tiến hành để kiểm tra chính xác các mức độ đa dạng tương đối của các phân loài vi sinh, tiến hành tổng phân tích tính không đồng nhất và hiệu quả tổng quan của các nghiên cứu về hệ vi sinh vật

Kết quả: Chúng tôi phát triển một Package R “metamicrobiomeR” áp dụng các mô hình GAMLSS với phân phối nhóm zero-inflated beta (BEZI) (GAMLSS-BEZI) để phân tích những dữ liệu khổng lồ có liên quan tới hệ vi sinh vật. Cả những xét nghiệm mô phỏng và những ứng dụng của nghiên cứu với dữ liệu thực của hệ vi sinh vật đề cho thấy GAMLSS-BEZI sử dụng tốt trong việc kiểm tra sự khác biết có liên quan tới các phân loài của vi khuẩn. Quan trọng hơn, các giá trị ước tính khi dùng GAMLSS-BEZI là logarit (tỷ suất chênh) của mức đa dạng tương đối giữa các nhóm và do đó giống nhau giữa các nghiên cứu về hệ vi sinh vật. Cũng giống như trên, chúng tôi cũng ứng dụng mô hình phân tích tổng hợp hiệu quả ngẫu nghiên để gộp ước tính và các sai số tiêu chuẩn trong các nghiên cứu hệ vi sinh vật. Chúng tôi mô tả các ví dụ về tổng phân tích và nhấn mạnh tính ưu việt của gói R trong 4 nghiên cứu so khi so sánh hệ vi sinh vật đường ruột giữa trẻ sơ sinh nam và nữa trong 6 tháng đầu đời.

Bàn luận: GAMLSS-BEZI cho phép kiểm tra chính xác dữ liệu lớn có liên quan tới hệ vi sinh vật. Các mô hình phân tích tổng hợp có hiệu quả ngẫu nhiên có thể ứng dụng trực tiếp vào ước tính so sánh gộp và các sai số tiêu chuẩn của nó cho phép đánh giá tất cả hiệu quả và các  tính không đồng nhất của các nghiên cứu cắt ngang về hệ vi sinh vật. Các ví dụ và quá trình sử dụng của Package “metamicrobiomeR’” được tái sản xuất và áp dụng vào các phân tích và phân tích tổng hợp các nghiên cứu khác về hệ vi sinh vật

Từ khóa: GAMLSS, giới tính, trẻ sơ sinh, Tổng phân tích, Hệ vi sinh vật, Ước tính gộp, Hiệu quả ngẫu nhiên, “Abundance” liên quan, Zero-inflated beta.

Trích dẫn

Ảnh hưởng của E scherichia coli Nissle 1917 lên hệ vi sinh vật, biểu mô ruột và hệ thống miễn dịch trong ruột của lợn ở thời kỳ đầu.

Geervliet M, et al. Front Microbiol. 2022. PMID: 35283814

Oligosaccharides trong sữa mẹ và hệ thống các loại vi khuẩn tác động đến tình trạng cơ thể và dinh dưỡng của trẻ sơ sinh trong suốt thời kỳ bú mẹ tuyệt đối

Cheema AS, et al. Int J Mol Sci. 2022. PMID: 35270006

Để đọc chi tiết bài nghiên cứu, truy cập đường link tại đây

facebook
22

Bài viết liên quan

Bình luận0

Đăng ký
Thông báo về
guest
0 Comments
Inline Feedbacks
Xem tất cả bình luận

Bài viết cùng chuyên gia