Robust differential abundance test in compositional data
组成数据的稳健差异丰度检验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。
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：摘要主要研究生物医学组成数据的多重检验，协变量平衡的提及不足以确定其属于因果推断方法。
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
组成数据的稳健差异丰度检验
- 研究问题
- 在总量约束和大量零计数并存的组成数据中，如何开展差异丰度检验，并在存在观测协变量时处理潜在混杂？
- 方法与思路
- 作者提出稳健差异丰度检验，兼顾组成约束与零计数；存在观测协变量时，可结合协变量平衡技术进行分析。
- 材料陈述的贡献
- 摘要称，该检验计算简便、对大量零计数稳健，并在一般设置下具有错误发现控制保证；模拟和真实数据展示其表现。
- 阅读关注点
- 应核对差异丰度的检验目标、零计数的处理方式、错误发现控制的假设，以及协变量平衡对结论所需的条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明零计数机制、错误发现控制的精确定义，也不能据此认定未测混杂已被消除。
原文摘要
Summary Differential abundance tests for compositional data are essential and fundamental in various biomedical applications, such as single-cell, bulk RNA-seq and microbiome data analysis. However, because of the compositional constraint and the prevalence of zero counts in the data, differential abundance analysis on compositional data remains a complicated and unsolved statistical problem. This article proposes a new differential abundance test, the robust differential abundance test, to address these challenges. Compared with existing methods, the robust differential abundance test is simple and computationally efficient, is robust to prevalent zero counts in compositional datasets, can take the data’s compositional nature into account, and has a theoretical guarantee of controlling false discoveries in a general setting. Furthermore, in the presence of observed covariates, the robust differential abundance test can work with covariate-balancing techniques to remove potential confounding effects and draw reliable conclusions. The proposed test is applied to several numerical examples, and its merits are demonstrated using both simulated and real datasets.