From differential abundance to mtGWAS: accurate and scalable methodology for metabolomics data with non-ignorable missing observations and latent factors
从差异丰度到代谢物全基因组关联：非可忽略缺失与潜在因子下的方法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：摘要中的因子分析用于代谢组与遗传关联数据，未说明宏观或金融因子模型背景，其他给定细分也缺乏直接依据。
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…
关注这篇论文的作者
从差异丰度到代谢物全基因组关联：非可忽略缺失与潜在因子下的方法
- 研究问题
- 面对代谢组数据中非可忽略的缺失观测与潜在因子，如何兼顾统计有效性、计算速度，以及大规模差异丰度和基因关联分析？
- 方法与思路
- 作者提出 MS-NIMBLE 方法套件，在非可忽略缺失下开展差异丰度、代谢物全基因组关联与因子分析，并针对潜在因子调整相关分析。
- 材料陈述的贡献
- 摘要称方法兼具常见插补流程的实用优势与统计严谨性，并证明统计和计算效率；三个真实代谢组数据集用于展示其表现。
- 阅读关注点
- 应核对缺失机制与潜在因子的识别限制、观测和缺失信息的利用方式，以及效率结论、偏差与功效比较和大规模计算评估。
- 阅读边界
- 所给版本为 arXiv 预印本，未核实同行评审或接收；摘要未说明缺失模型、理论条件或数据数值，不能认定其适用于任意非随机缺失。
原文摘要
Metabolomics is the high-throughput study of small molecule metabolites. Besides offering novel biological insights, these data contain unique statistical challenges, the most glaring of which is the many non-ignorable missing metabolite observations. To address this issue, nearly all analysis pipelines first impute missing observations, and subsequently perform analyses with methods designed for complete data. While clearly erroneous, these pipelines provide key practical advantages not present in existing statistically rigorous methods, including using both observed and missing data to increase power, fast computation to support phenome- and genome-wide analyses, and streamlined estimates for factor models. To bridge this gap between statistical fidelity and practical utility, we developed MS-NIMBLE, a statistically rigorous and powerful suite of methods that offers all the practical benefits of imputation pipelines to perform phenome-wide differential abundance analyses, metabolite genome-wide association studies (mtGWAS), and factor analysis with non-ignorable missing data. Critically, we tailor MS-NIMBLE to perform differential abundance and mtGWAS in the presence of latent factors, which reduces biases and improves power. In addition to proving its statistical and computational efficiency, we demonstrate its superior performance using three real metabolomic datasets.