Forscher haben ein neues Verfahren namens ACMTF‑Regression (ACMTF‑R) vorgestellt, das die gleichzeitige Zerlegung mehrdimensionaler Datensätze ermöglicht und dabei die Variation erfasst, die mit einer abhängigen Variable verknüpft ist.

Methodische Innovation

Das Verfahren erweitert die bereits bestehende Advanced Coupled Matrix and Tensor Factorization (ACMTF) um einen Regressionsschritt, wodurch es sowohl gemeinsame als auch nicht gemeinsame Strukturen identifizieren und gleichzeitig Vorhersagefähigkeiten bereitstellen kann.

Simulationsergebnisse

In einer Reihe von Simulationen untersuchten die Autoren die Fähigkeit von ACMTF‑R, eine kleine, y‑bezogene Komponente, die über mehrere Datenblöcke geteilt wird, zu rekonstruieren. Sie berichteten, dass das Verfahren die y‑bezogene Komponente robust identifiziert und dabei gegenüber Rauschen stabil bleibt.

Der Einfluss des Abstimmungsparameters π wurde analysiert; die Ergebnisse zeigen, dass π das Gleichgewicht zwischen Datenexploration und Ergebnisvorhersage steuert, wobei unterschiedliche Werte zu variierenden Schwerpunkten führen.

Anwendung auf reale Daten

Zur Validierung wurde ACMTF‑R auf einen realen Multi‑Omics‑Datensatz angewendet, der den Zusammenhang zwischen dem prä‑pränatalen Body‑Mass‑Index (BMI) der Mutter, dem Mikrobiom der Muttermilch, dem Metabolom der Muttermilch und dem kindlichen Fäkal‑Mikrobiom untersucht.

Die Analyse ergab neuartige Beziehungen zwischen Mutter und Kind, die mit dem prä‑pränatalen BMI der Mutter assoziiert sind, und demonstrierte damit die Anwendbarkeit des Verfahrens in der biomedizinischen Forschung.

Vergleich mit bestehenden Verfahren

Die Autoren vergleichen ACMTF‑R mit bestehenden Methoden wie N‑way Partial Least Squares (NPLS) und ACMTF und stellen fest, dass das neue Verfahren sowohl die gemeinsame als auch die distincte Variation im Kontext einer abhängigen Variable integrieren kann.

Bedeutung für die Forschung

Insgesamt positionieren die Autoren ACMTF‑R als vielseitiges Werkzeug für die Fusion mehrdimensionaler Daten, das neue Einblicke in komplexe biologische Systeme ermöglichen soll.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.