GMSB文章一：介绍

欢迎大家关注全网生信学习者系列：

WX公zhong号：生信学习者
Xiao hong书：生信学习者
知hu：生信学习者
CDSN：生信学习者2

Lin, Huang, et al. [@lin2024effect]，本文的研究重点是探讨性行为对HIV-1血清转换的影响，以及肠道微生物组和促炎细胞因子在这一过程中的中介作用。研究使用了多种统计方法来分析数据，以下是一些关键的统计方法学亮点：

序数逻辑回归模型（Ordinal Logistic Regression Models）：
- 用于研究有序性暴露组（即性伴侣数量）与个别人口统计学、临床特征之间的边际关联。
逻辑回归模型（Logistic Regression Models）：
- 用于探索结果（HIV-1血清转换者与阴性对照）与个别人口统计学、临床特征之间的边际关联。
ANCOM-BC2（Analysis of Compositions of Microbiomes with Bias Correction 2）：
- 用于识别在不同性暴露组中呈现单调递增或递减趋势的微生物物种丰度。此方法用于评估微生物组数据的组成变化，不应用灵敏度得分过滤器，并基于1000个自助样本估计相关趋势的p值。
多重协方差分析（MANCOVA, Multivariate Analysis of Covariance）：
- 使用Pillai-Bartlett迹统计量来研究与性暴露组相关联的细胞因子、短链脂肪酸（SCFAs）和微生物物种之间的多变量关系。
自然效应模型（Natural Effect Models）：
- 用于理解生物标志物水平（如微生物组、SCFA和炎症细胞因子）的变化是否介导性暴露组对HIV-1血清转换结果的影响。这些模型特别关注那些与性暴露组及血清转换状态均显著相关的生物标志物。
稀疏相关性估计（SECOM, Sparse Estimation of Correlations among Microbiomes）：
- 用于估计微生物组数据中不同物种之间的相关性，展示至少在一个组中非零的相关性对。
约束线性混合效应模型（CLME, Constrained Linear Mixed Effects Models）：
- 用于评估性暴露组和血浆炎症细胞因子水平之间的单调递增趋势，同时校正细菌抗生素使用情况。
趋势分析（Trend Analysis）：
- 用于评估不同性暴露组之间的SCFA和炎症细胞因子水平。
配对样本的方差分析（Paired Sample Variance Analysis）：
- 用于评估SCFA水平在不同时间点的变化。