微生物组数据挖掘新方法tmap

关键词：
微生物组大数据，population-scale，网络分析，基于拓扑学的数据挖掘新方法

本文提纲：

• 微生物组大数据分析目前存在的问题
• tmap可以解决的问题
• tmap应用实例
• 总结

发表文章: Genome Biology, 2019; https://doi.org/10.1186/s13059-019-1871-4
软件代码: https://github.com/GPZ-Bioinfo/tmap
tmap软件教程: https://tmap.readthedocs.io/en/latest/

微生物组大数据分析目前存在的问题

随着多组学技术的发展，现有的分析方法往往难以满足当前微生物组日益复杂，规模庞大，且附带着大量表型及环境相关元数据的分析需求。目前主要存在以下几个亟需解决的问题：

• 海量高维大数据来源复杂，难以用传统统计学方法得到可靠的结论

• 非线性关联难以用常用的线性方法（如envfit, adonis, ADONISM）检测出来

• 在数据集庞大，样本之间存在各种复杂差异，特征之间存在关联的情况下，细微但可能是研究目的所在的差异容易被掩盖掉。

以上数据分析的挑战对创新可靠分析方法提出新的需求。本课题组开发了基于拓扑学数据分析的tmap软件，提供了一个整合大规模人群样本微生物组数据的分析框架，可以将以下两个微生物组研究的重要方向结合起来：1. 总结微生物组数据规律（pattern discovery）；2. 为发现新的科学问题（hypothesis generation）提供线索。

tmap可以解决的问题

通过Mapper算法及网络富集分析，tmap利用样本的微生物组数据构建TDA网络结构，并通过SAFE score量化了样本表型或者物种在一簇样本中的富集程度。基于SAFE score可以实现以下3个分析目的：

• Ranking: 对每个表型或物种的SAFE score之和排序，其含义与linear regression中的effective size类似，但是对线性及非线性的关联都可以较好的识别。

• Ordination: 对SAFE score做PCA，目的为展示一个整体富集规律（overall enrichment pattern）不仅可以识别对微生物组变化贡献最大的物种或表型，也可以了解哪些表型或物种的联系比较紧密。

• Co-enrichment network: 这里的网络基于物种及表型关联的显著性构建，用于探索其生物学意义上的关联或者混杂因素（confounding factor），需要以研究目的和意义为导向。

tmap应用实例

本研究通过对4个数据集（包括1个合成数据和3个真实世界数据）对tmap方法加以验证，结果表明与传统的线性方法（如envfit, adonis, ADONISM）相比，tmap都表现更好，对非线性关联及潜在规律都有较好的识别。以比利时队列FGFP为例：

比利时FGFP队列的简要介绍：

• 2016年发表在Science，研究内容为健康正常人群的肠道微生物组。
• 研究纳入了1106个粪便16S rtRNA样本，及样本的69个宿主表型特征，包括了7个metadata类别：社会人口学特征，生活方式，血液指标，健康状况，饮食习惯，肠道健康状况及病史用药情况。文章表明，仅有7.63%的微生物组改变与宿主表型的变化有关。tmap提高了识别并解读population-scale的微生物组-宿主表型关联的能力。

如上图所示，tmap不仅可以较好的复现envfit这种基于线性回归的方法，也在对非线性变化的捕捉上，比envfit更加灵敏。通过对FGFP数据转化的SAFE score分析，可以得到许多原始文章中没有挖掘到的规律和线索。如下图所示，比如两种药物虽然与同一种疾病相关联，但其对微生物组的影响是不同的，具体表现为在网络图上的富集部位不一样。这都是传统线性分析难以得到的。

总结

• tmap有助于将不同国家地区，不同疾病类型，不同宿主表型的人群微生物组大数据加以整合，对人群做精细分层，为特异性的干预性治疗，数据来源多样化的meta分析等研究提供了有效线索。有效融合不同来源的微生物组极其宿主的医疗健康大数据，是实现微生物组数据共享和整合的创新性方向。

• tmap不仅可以胜任传统线性研究对线性关系的刻画，也对非线性关联灵敏，优于传统分析方法。且基于微生物组网络地图，可以挖掘基于微生物组变化背景的宿主表型关联，使表型之间的关系不会与微生物组变化割裂开来。

• 了解不同宿主表型在网络图上的分布，捕捉变量之间联系及变量自身的重要性排序，对大规模人群队列的数据分析，不仅归纳总结了现有数据规律，也对科学假设的提出，科学问题的提炼有很大帮助。