Scalable Stochastic Gradient Variational Inference Framework for Microbiome Differential Abundance Analysis

Differential abundance analysis (DAA) attempts to answers a core question in microbiome studies: which microbial features change reliably between conditions, or with an exposure? DAA is challenging because microbiome data are high-dimensional, compositional, zero-inflated, and skewed. Our Bayesian ZIFA-LSNM model with skew-normal priors addresses these issues effectively and can be considered as an effective tool box to perform DAA. However, standard inference via CAVI or FFVB suffers major computational and analytical challenges in high-dimensional settings. To overcome this, we develop a scalable inference framework based on stochastic gradient variational inference (SGVI) that avoids rigid closed-form analytical updates. Across models such as ZIPPCA-LPNM and ZIFA-LSNM, SGVI achieves comparable optimized fits while substantially reducing runtime. This efficiency enables fast, scalable estimation of latent microbial structures, providing an accessible tool for large-scale DAA.

Cadre d'inférence variationnelle à gradient stochastique évolutif pour l'analyse d'abondance différentielle du microbiome

L'analyse d'abondance différentielle (DAA) tente de répondre à une question fondamentale dans les études sur le microbiome : quelles caractéristiques microbiennes changent de manière fiable entre différentes conditions ou en fonction d'une exposition ? La DAA est difficile à mettre en œuvre car les données sur le microbiome sont multidimensionnelles, compositionnelles et asymétriques et présentent des excès de zéros. Notre modèle bayésien ZIFA-LSNM avec des a priori asymétriques normaux traite efficacement ces problèmes et peut être considéré comme une boîte à outils efficace pour effectuer une DAA. Cependant, l'inférence standard via CAVI ou FFVB pose des défis computationnels et analytiques majeurs dans des contextes de haute dimension. Pour surmonter cela, nous développons un cadre d'inférence évolutif basé sur l'inférence variationnelle à gradient stochastique (SGVI) qui évite les mises à jour analytiques rigides de forme fermée. Sur des modèles tels que ZIPPCA-LPNM et ZIFA-LSNM, la SGVI permet d'obtenir des ajustements optimisés comparables tout en réduisant considérablement le temps d'exécution. Cette efficacité permet une estimation rapide et évolutive des structures microbiennes latentes, fournissant ainsi un outil accessible pour la DAA à grande échelle.

Session

Défis liés aux données sur le microbiome et aux données multi-omiques

Date and Time