跳转至

Decoding microbiome dual mediation: Introducing ZIMMA for enhanced zero-inflated data analysis

作者: Xi Qiao, Ruitao Liu, Xueying Tang, Christine B. Peterson, Robert R. Jenq et al.
来源: Annals of Applied Statistics
主题: 因果推断
相关性: 7/10
链接: https://doi.org/10.1214/26-aoas2170


一、领域脉络与小综述

  • 这个方向是什么:本文属于"因果中介分析"与"微生物组数据统计建模"的交叉子领域。其根本科学问题是:在暴露(如饮食、抗生素)→ 微生物组 → 健康结局(如BMI、白细胞计数)的因果路径中,如何从高维、零膨胀、成分型的微生物计数数据中,识别并量化具有中介作用的特定菌群,并进一步区分"菌群存在与否"(prevalence)与"菌群数量变化"(abundance)两种不同的生物学机制。该子方向的成熟度处于"方法快速涌现但尚无统一框架"的阶段——已有方法(CMM、microHIMA、LDM等)各自处理了成分性、高维性或零膨胀中的某一方面,但鲜有方法在同一框架内同时解决"零膨胀的双源区分"与"中介效应的双通路分解"。

  • 发展脉络(history):

  • 奠基工作:因果中介分析的现代框架源于 Baron and Kenny (1986) 的结构方程模型(SEM)路径,随后由 Imai et al. (2010, 2011)、Robins and Greenland (1992)、Pearl (2014, 2022) 引入反事实(potential outcomes)框架,确立了自然直接效应(NDE)与自然间接效应(NIE)的识别条件——即序贯可忽略性(sequential ignorability)。这是本文所有识别论证的底层语言。
  • 主要进展(微生物组中介分析的方法谱系):
    • 距离/群落层面:MedTest (Zhang, Wei and Chen 2018) 与 MODIMA (Hamidi, Wallace and Alekseyenko 2019) 用距离度量捕捉整体微生物群落差异作为中介,但无法定位具体菌种。
    • 成分/相对丰度层面:Sohn and Li (2019) 的 CMM 在单纯形空间处理成分性,用成分范数估计间接效应,但依赖伪计数处理零值;Zhang et al. (2021) 的 microHIMA 与 Zhang et al. (2021) 的高维选择方法在稀疏假设下做变量选择,但未显式建模零膨胀。
    • 零膨胀建模层面:Wang et al. (2023)、Fu et al. (2023) 引入 Dirichlet-multinomial 回归或惩罚先验处理零膨胀与高维,但将零值视为单一来源,未区分结构零(生物学不存在)与随机零(测序深度不足)。
    • 系统发育整合:Hong, Chen and Tang (2023) 的 PhyloMed 利用系统发育树结构做中介检验,但同样未处理零的双源问题。
  • 当前 frontier:如何在贝叶斯框架下,对每个中介变量同时建模"零膨胀概率"与"正计数分布",并将 NIE 分解为 prevalence 与 abundance 两条通路,同时完成高维变量选择。本文(Qiao et al. 2026)声称填补的正是这一缺口。
  • 本文的位置:作者将 ZIMMA 定位为"第一个在同一框架内实现双通路 NIE 分解 + 零膨胀双源区分 + 高维稀疏选择"的方法,并声称在模拟中相对 CMM、microHIMA、LDM 有显著优势。

  • 子线索聚类:上述被引文献大致落在三条子线索上:

  • 因果识别与反事实理论(Imai, Robins, Pearl 等):提供 NDE/NIE 的定义与识别条件,是本文的理论地基,但不涉及具体数据形态。
  • 微生物组数据的统计建模(CMM、microHIMA、LDM、PhyloMed、Dirichlet-multinomial 方法):处理成分性、高维性、零膨胀,但各自只解决部分问题。
  • 贝叶斯变量选择与 MCMC 计算(spike-and-slab 先验,Ishwaran and Rao 2000, 2005;Pólya-Gamma 增广,Polson, Scott and Windle 2013):提供高维稀疏估计与 logistic 回归采样的计算工具。

  • 这个方向在追问的核心问题:

  • 识别问题:在序贯可忽略性下,NDE/NIE 是否可识别?当存在未观测混杂时,敏感性分析如何做?(本文仅假设可忽略性成立,未做敏感性分析。)
  • 零膨胀的双源区分:如何从观测到的零计数中,统计上区分"结构零"(该菌在样本中确实不存在)与"随机零"(菌存在但测序未捕获)?这一区分对中介效应的估计有何影响?
  • 双通路分解:将 NIE 分解为 prevalence 通路(影响菌群存在与否)与 abundance 通路(影响存在菌群的丰度)后,两条通路的估计是否比合并的 NIE 具有更高的统计功效和更清晰的生物学解释?
  • 高维与稀疏性:在 p >> N 时,如何控制变量选择的 FDR 同时保持对弱信号的检测功效?
  • 成分性与尺度:计数数据的总和(测序深度)是信息性的,如何在模型中处理 library size 而不引入伪相关?

  • ⚠️ 作者的 framing(这是作者的说法):作者把缺口 frame 成"现有方法要么忽略零膨胀、要么将零视为单一来源、要么只检验合并的 NIE,因此无法区分 prevalence 与 abundance 两种机制"。他们声称 ZIMMA 通过 ZINB 建模 + spike-and-slab 先验 + 双通路分解,成为"显然的下一步"。被淡化或回避的竞争路线包括:(a) 频率学派的高维推断(如 debiased Lasso 或 desparsified 方法),作者未与这类方法比较;(b) 非参数或半参数的中介效应估计(如基于 efficient influence function 的方法),本文完全依赖参数贝叶斯模型,未讨论模型误设的稳健性;(c) 对成分性数据的变换方法(如 CLR 或 ILR),作者选择在原始计数尺度建模,回避了成分性问题但可能引入尺度依赖。什么明显该被引 / 该存在、却没出现在 intro 里:作者引用了 Imai 的序贯可忽略性,但未引用 VanderWeele 关于中介分析识别假设的综述性工作;也未引用 Tchetgen Tchetgen 关于中介效应稳健估计的工作;更未引用任何关于零膨胀计数数据中介分析的频率学派方法(如基于广义线性模型的乘积法),这使得"现有方法无法处理零膨胀"的说法略显绝对——值得研究者去查证是否存在被遗漏的竞争方法。

  • 张力:未见明显对立引用。但存在一个潜在张力:CMM 强调成分性(相对丰度)是微生物数据的本质特征,而 ZIMMA 在原始计数尺度建模(仅用 library size 作为乘性因子),这两种建模哲学在理论上对中介效应的解释不同——CMM 的效应是"相对占比变化",ZIMMA 的效应是"绝对丰度变化"。作者未在文中正面回应这一张力。

二、最核心、最简单的例子 / 数学问题

第一步:把符号、模型、可观测数据交代清楚

  • 符号:
  • \(i = 1, \dots, N\):样本索引(个体)。
  • \(j = 1, \dots, P\):中介变量索引(菌群分类单元,如属水平),\(P\) 远大于 \(N\)(高维)。
  • \(T_i\):暴露/处理变量(本文中为二值,如是否使用抗生素、膳食纤维摄入高低)。
  • \(Y_i\):结局变量(连续,如 BMI、白细胞计数)。
  • \(C_i\):预处理混杂向量(如年龄、性别、遗传背景等)。
  • \(M_{ij}\):第 \(i\) 个样本中第 \(j\) 个菌群的观测计数(可观测数据)。
  • \(M_{ij}^*\):潜在的非结构零计数(即菌群存在时的真实丰度,不可观测)。
  • \(\omega_{ij}\):潜在的结构零指示变量,\(\omega_{ij} = 1\) 表示第 \(j\) 个菌在第 \(i\) 个样本中生物学上不存在(不可观测)。
  • \(S_i\):第 \(i\) 个样本的 library size(测序深度,可观测)。
  • \(A_{ij}\):第 \(j\) 个菌在第 \(i\) 个样本中的绝对丰度,满足 \(M_{ij} = S_i A_{ij}\)。
  • \(\pi_{ij}\):结构零概率,\(\pi_{ij} = P(\omega_{ij} = 1)\)。
  • \(\mu_{ij}\):ZINB 中 NB 分量的均值。
  • \(\tau_j\):第 \(j\) 个菌的离散参数(NB 分量的 inverse dispersion)。
  • \(\gamma_{0j}, \gamma_{Tj}, \gamma_{Cj}\):prevalence 模型(logistic)的回归系数——分别对应截距、处理效应、混杂效应。
  • \(\beta_{0j}, \beta_{Tj}, \beta_{Cj}\):abundance 模型(log-linear)的回归系数。
  • \(\alpha_{Mj}\):结局模型中第 \(j\) 个中介变量的系数。
  • \(\alpha_T, \alpha_C\):结局模型中处理与混杂的系数。
  • \(NIE_A\)、\(NIE_P\):abundance 通路与 prevalence 通路的自然间接效应。
  • \(\kappa_{\alpha_j}, \kappa_{\beta_j}, \kappa_{\gamma_j}\):spike-and-slab 先验中的包含指示变量(0/1)。
  • \(\theta_{\alpha_j}, \theta_{\beta_j}, \theta_{\gamma_j}\):包含概率的超参数。
  • \(\delta_0, \delta_1\):spike 与 slab 的方差尺度。
  • \(\nu^2_{\alpha_j}, \nu^2_{\beta_j}, \nu^2_{\gamma_j}\):slab 方差的超参数。
  • \(R\):MCMC 迭代次数。
  • \(c_{thresh}\):判定中介活跃的 PIP 阈值(本文取 0.5)。

  • 模型:三层结构——(1) 中介 prevalence 模型:\(\text{logit}(\pi_{ij}) = \gamma_{0j} + \gamma_{Tj} T_i + \gamma_{Cj}^\top C_i\);(2) 中介 abundance 模型:\(M_{ij}^* \sim \text{NB}(\mu_{ij}, \tau_j)\),其中 \(\log(\mu_{ij}) = \log(S_i) + \beta_{0j} + \beta_{Tj} T_i + \beta_{Cj}^\top C_i\);(3) 结局模型:\(Y_i = \alpha_0 + \alpha_T T_i + \sum_j \alpha_{Mj} M_{ij} + \alpha_C^\top C_i + \epsilon_i\),\(\epsilon_i \sim N(0, \sigma_Y^2)\)。观测到的 \(M_{ij}\) 由 \(\omega_{ij}\) 与 \(M_{ij}^*\) 共同决定:若 \(\omega_{ij} = 1\) 则 \(M_{ij} = 0\);若 \(\omega_{ij} = 0\) 则 \(M_{ij} = M_{ij}^*\)。

  • 可观测数据:\(\{(T_i, Y_i, C_i, \mathbf{M}_i)\}_{i=1}^N\),其中 \(\mathbf{M}_i = (M_{i1}, \dots, M_{iP})^\top\) 为高维零膨胀计数向量。不可观测/潜在量:\(\omega_{ij}\)(结构零指示)、\(M_{ij}^*\)(真实丰度)、以及所有反事实量 \(Y_i(t, \mathbf{M}(t'))\)。

第二步:讲最小内核

把一切剥掉后,本文的核心数学问题可以归结为如下最小情形:

设定:单个中介变量 \(M\)(即 \(P=1\)),二值处理 \(T \in \{0,1\}\),连续结局 \(Y\),无混杂(\(C = \emptyset\))。\(M\) 是零膨胀计数:\(M = 0\) 可能因为"结构上不存在"(\(\omega = 1\))或"存在但计数为 0"(\(\omega = 0\) 且 \(M^* = 0\),后者在 NB 分布下概率为 \(\left(\frac{\tau}{\mu + \tau}\right)^\tau\))。

要估计的量:总自然间接效应 \(NIE = NIE_P + NIE_A\),其中: - \(NIE_P\):处理通过改变"菌群存在与否"的概率而产生的间接效应; - \(NIE_A\):处理通过改变"菌群存在时的丰度"而产生的间接效应。

为什么需要双通路分解:考虑一个极端例子——处理 \(T\) 使某种菌的存在概率从 0.1 提高到 0.9(prevalence 通路),但对该菌存在时的平均丰度没有影响(abundance 通路为零)。传统的合并 NIE 会捕捉到总效应,但无法告诉研究者"是菌出现了"还是"菌变多了"起了作用。反之,若处理使存在概率不变但丰度翻倍,则只有 \(NIE_A\) 非零。在生物学上,这两种机制对应不同的干预靶点(如益生菌补充 vs. 益生元增殖)。

识别与估计的最小逻辑: 1. 在序贯可忽略性下(给定 \(C\),处理→中介、处理→结局、中介→结局均无未观测混杂),\(NIE_P\) 和 \(NIE_A\) 可以通过"中介公式"(mediation formula)识别:\(NIE_P = \int E[Y | T=0, M, \omega=1] \, dF_{\omega | T=1}(M) - \int E[Y | T=0, M, \omega=1] \, dF_{\omega | T=0}(M)\),其中 \(F_{\omega | T=t}\) 是 \(\omega\) 在 \(T=t\) 下的分布。\(NIE_A\) 类似,但积分针对 \(M^*\) 的条件分布。 2. 由于 \(\omega\) 和 \(M^*\) 不可观测,需要通过 ZINB 模型将观测到的 \(M\) 分解为两个部分:结构零概率 \(\pi_{ij}\)(由 logistic 回归驱动)和正计数分布(由 NB 回归驱动)。关键识别假设:结构零与随机零的区分完全由 ZINB 的参数化决定——即假设给定协变量后,\(\omega\) 与 \(M^*\) 独立,且 NB 分量能正确描述非零计数的分布。若这一参数化错误(例如存在第三种零来源),则 \(NIE_P\) 与 \(NIE_A\) 的分解会产生偏差。 3. 高维情形下(\(P > N\)),对每个 \(j\) 的 \(\alpha_{Mj}, \beta_{Tj}, \gamma_{Tj}\) 施加 spike-and-slab 先验,通过后验包含概率(PIP)判断哪些菌群是活跃中介,并分别检验 \(NIE_{Pj}\) 与 \(NIE_{Aj}\) 是否非零。

为什么这个最小内核是"支撑全文的支点":一旦理解了在 \(P=1\) 时如何通过 ZINB 将观测计数分解为 prevalence 与 abundance 两个通道并分别计算间接效应,那么推广到 \(P>N\) 就只是在每个通道上叠加 spike-and-slab 变量选择。本文的所有技术细节——Pólya-Gamma 增广、Metropolis-Hastings 采样、PIP 阈值判定——都是在为这个最小逻辑服务。读者若能独立推导出 \(P=1\) 时的 \(NIE_P\) 和 \(NIE_A\) 表达式,就已经掌握了本文 80% 的统计思想。

三、这篇论文做了什么

三句话: 1. 研究了什么问题:在高维、零膨胀的微生物组计数数据中,如何将处理对结局的间接效应分解为"菌群存在与否"(prevalence)与"菌群丰度变化"(abundance)两条通路,并识别活跃的中介菌群。 2. 核心工具 / 方法:提出 ZIMMA 模型——对每个中介变量使用 ZINB 回归(logistic 部分建模结构零概率,NB 部分建模正计数),对回归系数施加 spike-and-slab 先验实现稀疏选择,在贝叶斯框架下通过 Gibbs 采样(含 Pólya-Gamma 增广)进行后验推断,并基于后验包含概率(PIP)判定中介活跃性。 3. 主要结论:模拟研究表明 ZIMMA 在识别稀有和丰富菌群的不同中介机制方面优于 CMM、microHIMA 和 LDM;在 COMBO 数据中识别出 13 个介导纤维摄入→BMI 的活跃菌群,并发现部分菌群仅通过 prevalence 通路起作用,部分仅通过 abundance 通路起作用,验证了双通路分解的生物学价值。

关键设定与假设(在最小记号基础上补全): - 数据生成:\(M_{ij}\) 由 ZINB 生成:\(P(M_{ij} = 0) = \pi_{ij} + (1-\pi_{ij}) \left(\frac{\tau_j}{\mu_{ij} + \tau_j}\right)^{\tau_j}\),\(P(M_{ij} = m) = (1-\pi_{ij}) \frac{\Gamma(m+\tau_j)}{\Gamma(\tau_j) m!} \left(\frac{\tau_j}{\mu_{ij}+\tau_j}\right)^{\tau_j} \left(\frac{\mu_{ij}}{\mu_{ij}+\tau_j}\right)^m\) 对 \(m \geq 1\)。\(\mu_{ij} = S_i \exp(\beta_{0j} + \beta_{Tj} T_i + \beta_{Cj}^\top C_i)\)。 - 识别假设:扩展的序贯可忽略性(A1–A5),包括处理与潜在中介(\(\omega\) 与 \(M^*\))的独立性、处理与结局的独立性、中介与结局的条件独立性,以及跨处理水平的交叉独立性(cross-world independence,即 \(M(t') \perp Y(t, m) | C\))。这是自然效应识别的标准但不可检验假设。 - 先验设定:spike-and-slab 采用混合正态先验,\(\kappa \sim \text{Bernoulli}(\theta)\),\(\theta \sim \text{Beta}(a,b)\) 取 \(a=b=1/2\)(Jeffreys);离散参数 \(\tau_j\) 采用基于非零计数 MLE 的信息先验(\(\tau_j \sim \text{Gamma}(m_{1j}, m_{2j})\),均值设为 \(\tau_j^+\),方差 0.1)。相比已有文献的放宽/强化:相比 CMM(成分线性假设),ZIMM 放宽为计数尺度建模,不强制成分归一化;相比 microHIMA(仅检验合并 NIE),强化为双通路分解;相比 LDM(基于距离的全局检验),强化为逐菌群的稀疏选择。但相比半参数方法,ZIMM 强化了参数分布假设(ZINB 必须正确),这是其代价。 - 计算:Gibbs 采样框架——\(\omega_{ij}\) 通过数据增强采样;logistic 系数通过 Pólya-Gamma 增广实现共轭采样;NB 系数通过 Metropolis-Hastings 随机游走采样;\(\kappa\) 通过边缘化后采样。

主要结果: - 模拟:在 \(N=98, P=99\) 的设置下(与 COMBO 数据一致),ZIMM 在 abundant、mixed、rare 三种菌群丰度模式下,对活跃中介的召回率(power)显著高于 CMM、microHIMA、LDM。例如 rare 模式下,大效应量时 ZIMM 的 power 约 0.87,而 CMM 仅约 0.14(见原文 Figure 4a)。FDR 方面,ZIMM 在所有场景下维持在 0.02 以下,优于或持平于其他方法。type I error 在三种零假设结构下均低于 0.05(见 Figure 4b)。 - 真实数据 1(COMDA 纤维→BMI):识别出 13 个活跃中介菌群。其中 Lachnospiraceae_UCG-010 的 abundance 通路效应为 \(\hat{\alpha}_{Mj}\hat{\beta}_{Tj} < 0\)(纤维摄入降低其丰度,低丰度与低 BMI 相关),prevalence 通路效应为 \(\hat{\alpha}_{Mj}\hat{\gamma}_{Tj} < 0\)(纤维摄入降低其缺失概率,存在与低 BMI 相关)。Saccharibacteria 门及其下属分类单元显示负的 abundance 通路贡献。 - 真实数据 2(抗生素→白细胞计数):识别出 11 个活跃中介菌群,其中 Bacillales 目和 Lachnospiraceae NK4A136 属通过 abundance 通路起作用,Prevotella.9 属通过 prevalence 通路起作用。

证明路线与技术技巧: - 整体路线(理论部分,见补充材料): 1. 识别:在扩展序贯可忽略性 A1–A5 下,证明 \(E[Y(t, \mathbf{M}(t'))|C]\) 可以通过观测数据加权积分识别。关键步骤是将 \(\mathbf{M}\) 的联合分布分解为 \(\omega\)(Bernoulli)与 \(M^* | \omega=0\)(NB)的乘积,从而将 NIE 分解为 prevalence 与 abundance 两个通道。 2. 参数化:将识别公式代入 ZINB 参数模型,得到 \(NIE_P\) 和 \(NIE_A\) 的闭式表达式(涉及 logistic 系数 \(\gamma\)、NB 系数 \(\beta\)、结局系数 \(\alpha\) 的乘积)。 3. 先验与后验:施加 spike-and-slab 先验后,推导各参数的条件后验分布,证明 Gibbs 采样的收敛性(基于标准结果,未给出新理论)。 4. 变量选择:基于 PIP 阈值判定活跃中介,并证明在稀疏条件下(\(\sum_j \mathbb{1}(\text{active}) = o(P)\)),PIP 排序一致性的启发式论证(未给出严格定理)。 - 关键技巧: - Pólya-Gamma 增广:将 logistic 回归的似然转化为高斯共轭形式,使得 \(\gamma\) 系数可以在 Gibbs 框架内高效采样,避免 Metropolis-Hastings 的调参问题。 - 信息先验:对离散参数 \(\tau_j\) 使用基于非零计数 MLE 的信息先验,而非无信息先验,显著改善了 \(\tau_j\) 的可识别性——这是本文的一个实用技巧,因为 ZINB 中 \(\tau_j\) 与 \(\pi_{ij}\) 在只有零观测时存在弱可识别问题。 - 数据增强:对 \(\omega_{ij}\) 的采样采用"若 \(M_{ij} > 0\) 则 \(\omega_{ij} = 0\) 确定;若 \(M_{ij} = 0\) 则按后验概率采样"的策略,将不可观测的结构零指标转化为可采样的潜在变量。

🔎 结论是否比证明窄: - 作者在摘要和引言中声称 ZIMM 具有"superior performance"和"enhanced power",但正文中没有给出任何关于估计量相合性、渐近正态性或变量选择一致性的定理。所有性能声明均基于模拟实验。补充材料中的"证明"主要是识别性论证(即 NIE 表达式在假设下等于反事实定义),而非估计量的统计性质。 - 作者在讨论部分承认"ZIMM 的变量选择一致性依赖于 spike-and-slab 先验的稀疏性假设,且未提供理论保证",但这一承认被放在补充材料而非正文。 - 一个更微妙的窄化:作者声称 ZIMM 能"区分结构零与随机零",但这一区分完全依赖于 ZINB 参数化的正确性。如果数据中存在第三种零来源(如扩增失败),或者 NB 的离散参数设定错误,则 \(\omega\) 的后验推断可能有偏。作者在正文中未讨论这一模型误设风险,仅在讨论中提及"未来工作将考虑更灵活的零膨胀模型"。 - 此外,作者在真实数据分析中将"识别出的中介菌群"解释为"因果中介",但未进行任何敏感性分析来评估未观测混杂对结论的影响。考虑到序贯可忽略性在观察性研究中几乎不可能完全成立,这一解释的强度超出了证明的宽度。

四、开放问题

  1. 理论保证缺失:ZIMM 的变量选择一致性、估计量的收敛速率、以及 PIP 阈值的校准性质均未给出理论分析。要证明什么:在 \(P \gg N\) 且零膨胀比例随 \(P\) 变化时,spike-and-slab 后验是否能够以高概率识别真实的活跃中介集合?扎根于:正文无定理、补充材料仅含识别性证明。

  2. 模型误设的敏感性:ZINB 参数化假设(结构零与随机零独立、NB 分量正确描述正计数)若被违反,\(NIE_P\) 与 \(NIE_A\) 的分解会产生多大偏差?能否构建对零源分布鲁棒的估计量?扎根于:讨论部分"未来工作将考虑更灵活的零膨胀模型"。

  3. 未观测混杂的敏感性分析:作者在真实数据中直接给出因果解释,但未做任何敏感性分析。如何将 VanderWeele 或 Imai 的敏感性分析框架扩展到高维零膨胀中介设定?扎根于:正文对序贯可忽略性的假设(A1–A5)及讨论中"残余混杂可能影响结论"的承认。

  4. 相关中介的结构:ZIMM 假设各菌群中介独立(通过独立 spike-and-slab 先验),但微生物组中菌群高度相关。如何引入相关性感知的先验(如 graph-guided spike-and-slab)以利用菌群共现结构?扎根于:讨论部分"独立先验可能忽略菌群相关性"。

  5. 计算可扩展性:Gibbs 采样在 \(P = 1299\)(真实数据 2)时的计算成本如何?能否设计变分推断或 HMC 以扩展到 \(P > 10^4\) 的宏基因组数据?扎根于:补充材料中的计算时间分析(若有)。

提示:若要确认上述某条是否为真 gap,建议去读近 5 年(2021–2025)发表在 Biometrics、Annals of Applied Statistics、Journal of the American Statistical Association 上关于微生物组中介分析的 5 篇引言——若多篇引言都指向"缺乏理论保证"或"未处理模型误设",则这是共识性 gap;若各篇引言互相矛盾(例如有的声称已解决零膨胀问题、有的声称未解决),则存在机会窗口。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论