Bayesian Nonparametric Longitudinal Factor Model for Microbiome Counts
面向微生物组计数的贝叶斯非参数纵向因子模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心为纵向因子模型与自回归过程刻画共享依赖和时间演化，直接对应因子模型与时间序列方向；未涉及因果识别、面板因果或金融领域内容。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
面向微生物组计数的贝叶斯非参数纵向因子模型
- 研究问题
- 摘要称，纵向微生物组计数高度异质、零膨胀，重复测量带来个体内时间依赖与可能随时间变化的跨特征协方差，如何对此类数据建模是研究问题。
- 方法与思路
- 作者提出灵活的贝叶斯纵向因子模型，采用取整对数正态潜变量表示；均值丰度过程以 Dirichlet 过程混合为基线，再经自回归演化，自回归系数按预设生物组（应用中为基因型）不同，另设独立自回归因子过程刻画共享跨特征依赖。
- 材料陈述的贡献
- 摘要称模型将个体—特征均值演化与共享依赖区分开，并给出闭式、按时间索引的协方差；模拟研究在匹配与误设的数据生成机制下评估动态协方差恢复；小鼠肠道微生物组应用中识别出高持续性特征丰度轨迹与区分三个基因型组的共享潜因子。
- 阅读关注点
- 应核对取整对数正态潜变量与计数观测的对应关系、Dirichlet 过程混合基线与自回归的识别与先验设定、闭式协方差推导条件，以及模拟中误设情形的具体设定和应用的样本与时间点信息。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；摘要未说明识别假设的完整条件、估计与计算细节、模拟数值结果及因果解释边界，且预印本未经同行评审，不能据此声称已被期刊接收。
原文摘要
Longitudinal microbiome studies provide important insights into the temporal evolution of microbial abundances and dynamic cross-feature dependence. Modeling longitudinal microbiome data is challenging because microbiome counts are highly heterogeneous and zero-inflated, and, moreover, repeated measurements induce within-subject temporal dependence and possibly time-varying cross-feature covariance. To address these challenges, we develop a flexible Bayesian longitudinal factor model using a rounded log-normal latent representation. The mean abundance process begins with a Dirichlet process mixture baseline, which accommodates sparse and multimodal abundance distributions, and subsequently evolves through an autoregressive process. Autoregressive coefficients differ across prespecified biological groups, which are defined by genotypes in our application. A separate autoregressive factor process captures shared cross-feature dependence. The model therefore distinguishes subject--feature mean evolution from shared dependence and yields a closed-form, time-indexed covariance. Simulation studies evaluate dynamic covariance recovery under matched and misspecified data-generating mechanisms. In the longitudinal mouse-gut microbiome application, LODI identifies highly persistent feature-specific abundance trajectories and shared latent factors that distinguish the three genotype groups over time. At week 15, the dominant factor follows the observed WT < ACK/G < HACK/G tumor-severity ordering, with its strongest contributions arising from OTUs classified within Clostridiaceae, Clostridium, and RF39.