Phenotyping with Positive Unlabelled Learning for Genome-Wide Association Studies
Institute of Health Informatics, University College London（伦敦大学学院健康信息学研究所）；Benevolent AI（Benevolent AI公司）
针对电子健康记录噪声导致的表型错误分类会削弱GWAS关联检测能力的问题，提出结合锚定学习与Transformer的AnchorBERT模型，可在更少样本下检测到更多显著基因组关联。
2022-02-15 cs.LG stat.AP
Learning the optimal scale for GWAS through hierarchical SNP aggregation
全基因组关联研究（GWAS）旨在确定与罕见人类疾病相关的因果基因组变异。检测这些变异的经典统计方法是基于单变量假设检验，在每个基因座对健康个体与受影响个体进行检验。考虑到个体的基因型由多达一百万个SNP表征，这种方法缺乏精确性，因为它可能产生大量的假阳性，从而导致关于与疾病的遗传关联的错误结论。提高真正的遗传关联检测的一种方法是通过对SNP进行分组来减少要检验的假设的数量。结果如下：我们提出了一个降维的方法，可以应用在GWAS的背景下，利用人类基因组的单倍型结构。我们比较了我们的方法与标准的单变量和多变量方法的合成和真实的GWAS数据，我们表明，通过聚集SNP降低预测矩阵的维数，可以更精确地检测表型和基因组区域之间的关联。
2018-10-19 stat.ME
Exact conditional p-values from arbitrary ranking of a sample space: An application to genome-wide association studies
我们介绍了一种方法，用于计算精确的条件效率强大的枚举p值检测基因型-表型协会在一个单一的双等位基因遗传位点。我们的方法可以基于任何任意的排名检验统计量，如效率稳健检验统计量或渐近p值。得到的p值是精确条件枚举p值，满足基本统计有效性属性。实际上，该方法允许在基因组分析中进行统计学有效的显著性检验，其中在个体双等位基因遗传位点处具有未知的遗传模式-这是全基因组关联研究中的典型情况。我们提供了一个实现该方法的开源R代码。
2013-07-29 stat.ME
Correlated frailty model for analysis of genetic association in family studies
Lunenfeld-Tanenbaum Research Institute, Mount Sinai Hospital（伦内费尔德-塔纳鲍姆研究所，西奈山医院）；Bordeaux Population Health Research Center U1219, Inserm（波尔多人口健康研究中心U1219，法国国家健康与医学研究院）；Department of Epidemiology and Biostatistics, Western University（韦仕敦大学流行病学与生物统计学系）
本文提出相关脆弱模型，用于分析家系研究中与癌症相关的生存结局的遗传关联，经模拟评估显示该模型可用于识别与癌症发病时间显著相关的基因组区域。
2026-08-04 stat.AP
Sparse inference of the human hematopoietic system from heterogeneous and partially observed genomic data
造血是血细胞形成的过程，通过该过程，祖细胞干细胞分化成成熟形式，如白细胞和红细胞或成熟血小板。虽然成熟形式的前体共享许多涉及共同细胞核因子的调控途径，但特定的调控网络将其命运塑造为一个谱系或另一个谱系。在这项研究中，我们的目的是分析复杂的调控网络，驱动成熟的红细胞和血小板从他们的共同前体的形成。为此，我们开发了一个专用的图形模型，我们从最新的RT-qPCR基因组数据推断。该模型还考虑了外部基因组数据的影响。计算高效的期望最大化算法允许从高维且通常仅部分观察到的RT-qPCR数据进行正则化网络推断。交替方向乘法算法的仔细组合允许实现个体谱系网络中的稀疏性和这些网络之间的高共享，以及检测膜结合受体与核因子之间的关联。该方法将在R软件包cglasso中实现，并可用于从高维，异构和部分观测数据进行网络推理的类似应用。
2022-06-20 stat.ME
A pathway-based kernel boosting method for sample classification using genomic data
Yale University（耶鲁大学）
癌症基因组数据的分析长期以来一直遭受“维数灾难”。大多数癌症基因组研究的样本量最多只有几百个，而研究的基因组特征有数万个。已经提出了各种方法来利用现有的生物学知识，如途径，以更有效地分析癌症基因组数据。大多数的方法集中在测试的边缘显着性的途径和临床表型之间的关联。它们可以识别相关途径，但不涉及预测建模。在这篇文章中，我们提出了一种基于路径的核提升（PKB）方法，用于整合基因路径信息进行样本分类，其中我们使用从每个路径计算的核函数作为基础学习器，并通过迭代优化分类损失函数来学习权重。我们将PKB和几种竞争性方法应用于三种癌症的病理和临床信息研究，包括肿瘤分级、分期、肿瘤部位和转移状态。我们的研究结果表明，PKB优于其他方法，并确定相关的结果变量的途径。
2018-03-11 cs.LG q-bio.QM stat.ML
Evaluating unsupervised disentangled representation learning for genomic discovery and disease risk prediction
Google Research（谷歌研究院）
本研究在遗传关联研究背景下评估多种无监督解耦表示学习方法，发现FactorVAE和beta-VAE相比标准方法能提升基因组发现与疾病风险预测效果，且FactorVAE超参数鲁棒性更强。
2023-07-17 cs.LG q-bio.GN stat.ML
Distance-based analysis of variance: approximate inference and an application to genome-wide association studies
在一些现代应用中，从遗传学到基因组学和神经成像，需要比较不同人群的观察结果，例如健康和患病个体的群体。我们的兴趣在于检测群体效应。当观测值为向量、实值且服从多元正态分布时，常规应用多元方差分析（MANOVA）检验。然而，当处理更复杂的数据结构时，例如函数（例如曲线）或图形结构（例如树和网络）对象，这样的传统过程是不合适的，其中可能违反所需的分布假设。在本文中，我们讨论了一种基于距离的MANOVA类方法，DBF测试，用于检测更广泛的数据类型的组之间的差异。类似于其他基于距离的统计量，检验统计量仅依赖于适当选择的距离度量，该距离度量捕获所有可用样本之间的成对相异性。提出了一种近似零概率分布的DBF统计，从而允许推断得出，而不需要昂贵的置换程序。通过大量的模拟，我们提供的证据表明，所提出的方法适用于一系列的数据类型和距离，并概括了传统的MANOVA测试。我们还报告了所提出的方法的应用程序进行分析的多位点全基因组关联研究阿尔茨海默病，这已进行了使用几个遗传距离的措施。
2012-05-11 stat.AP stat.ME
Spectral gene set enrichment (SGSE)
动机：基因集测试通常在监督的背景下进行，以量化基因组与临床表型之间的关联。然而，在许多情况下，在不存在表型变量的情况下，期望基因组数据的基于基因集的解释。尽管存在用于无监督基因集测试的方法，但它们主要计算相对于基因组变量的聚类的富集，其性能强烈依赖于聚类算法和聚类数。结果如下：我们提出了一种新的方法，光谱基因集富集（SGSE），基因集和经验数据源之间的关联的无监督竞争测试。SGSE首先使用我们的主成分基因集富集（PCGSE）方法计算基因集和主成分（PC）之间的统计关联。然后，通过使用加权Z方法将PC水平p值与设置为通过Tracey-Widom检验p值缩放的PC方差的权重组合，计算每个基因集与数据的谱结构之间的总体统计关联。使用模拟数据，我们表明，SGSE算法可以准确地恢复噪声数据的光谱特征。为了说明我们的方法在真实数据上的实用性，我们证明了SGSE方法相对于标准的基于聚类的技术的优越性能，用于测试MSigDB基因集与微阵列基因表达数据的方差结构之间的关联。联系人：rob. dartmouth.edu或jason.h. dartmouth.edu http://cran.r-project.org/web/packages/PCGSE/index.html
2014-05-13 q-bio.GN q-bio.QM stat.AP
Optimal Estimation of Simultaneous Signals Using Absolute Inner Product with Applications to Integrative Genomics
整合全基因组关联研究（\textsc{gwas}）和表达数量性状基因座（e \textsc{qtl}）数据的汇总统计量提供了一种鉴定其表达水平可能与复杂疾病相关的基因的强有力的方法。基于两个高斯序列的平均值引入了一个称为$T$ -score的参数，该参数基于汇总统计量量化基因和疾病表型之间的遗传重叠。具体地，给定两个独立样本$\mathbf{x}_n\sim N(θ, Σ_1)$和$\mathbf{y}_n\sim N(μ, Σ_2)$，$T$分数被定义为$\sum_{i=1}^n |θ_iμ_i|$，一种非平滑泛函，其表征两个绝对正态平均向量$|θ|$和$|μ|$之间共享信号的量。利用逼近理论，估计量的构造和证明是极大极小率最优和自适应在各种参数空间。仿真研究表明，所提出的估计优于现有的方法。该方法应用于心力衰竭基因组学数据集的综合分析，我们确定了几个基因和生物学途径，可能是人类心力衰竭的原因。
2020-10-05 math.ST stat.ME stat.TH
variable selection and missing data imputation in categorical genomic data analysis by integrated ridge regression and random forest
全基因组关联研究（GWAS）所获得的基因组数据往往是大规模的，而且是不完整的。其不完备性的一种特殊形式是具有不可解释的缺失机制的缺失值。基因组数据的内在复杂性提出了显着的挑战，在开发一个公正的和翔实的程序表型-基因型关联分析的统计变量选择方法。在本文中，我们开发了一个连贯的分类表型-基因型关联分析的程序，在GWAS数据中的缺失值与不可解释的缺失机制的存在下，通过整合最先进的方法，随机森林的变量选择，加权岭回归与期望最大化算法的缺失数据填补，和线性统计假设检验确定缺失机制。两个模拟的GWAS被用来验证所提出的程序的性能。该程序，然后应用于分析一个真实的数据集，从乳腺癌GWAS。
2021-11-10 stat.AP stat.ME
Association Analysis of Common and Rare SNVs using Adaptive Fisher Method to Detect Dense and Sparse Signals
下一代测序（NGS）技术和基因型插补方法的发展使研究人员能够在全基因组关联研究（GWAS）中测量常见和罕见变异。已经提出了统计方法来测试一组基因组变异，以检测它们中的任何一个是否与表型或疾病相关。实际上，在这组变异中，有一部分未知的变异真正引起疾病或与疾病相关。因为大多数开发的方法是敏感的密集的情况下，其中大部分的变量相关联，或稀疏的情况下，其中只有一小部分的变量相关联，有一个需求的统计方法与高功率在这两种情况下。在本文中，我们提出了一个新的关联测试（加权自适应Fisher，wAF），可以适应密集和稀疏的情况下，通过增加权重的自适应Fisher（AF）方法，我们以前开发的。使用模拟和遗传分析研讨会16（GAW 16）的数据，我们已经表明，新方法具有可比或更好的权力流行的方法，如序列核关联测试（SKAT和SKAT-O）和自适应SPU（aSPU）测试。
2018-12-12 stat.ME
Simultaneous detection and estimation of trait associations with genomic phenotypes
基因组表型，如DNA甲基化和染色质可及性，可用于表征细胞内DNA的转录和调节活性。最近的技术进步使得有可能非常密集地测量这些表型。这种密度往往导致空间结构，在这个意义上说，在附近的网站的测量是非常相似的。在本文中，我们考虑的任务是在实验条件下，细胞类型或疾病亚组之间比较基因组表型。我们提出了一种新的方法，联合自适应差分估计（JADE），它利用了基因组表型固有的空间结构。JADE同时估计平滑的潜在组平均基因组表型谱，并检测组间平均谱不同的区域。我们评估了JADE在几种生物学上合理的模拟环境中的性能。我们还考虑应用于检测成熟骨骼肌细胞，肌管和成肌细胞之间的差异甲基化区域。
2016-11-14 stat.ME
Large-scale machine learning-based phenotyping significantly improves genomic discovery for optic nerve head morphology
全基因组关联研究（GWAS）需要准确的队列表型，但专家标记可能是昂贵的，耗时的和可变的。在这里，我们开发了一个机器学习（ML）模型来预测彩色眼底照片中的昏迷性视神经乳头特征。我们使用该模型预测垂直杯盘比（VCDR），这是青光眼的诊断参数和主要内在表型，在英国生物银行（UKB）的65，680名欧洲人中进行。基于ML的VCDR的GWAS在156个基因座中鉴定了299个独立的全基因组显著（GWS; $P\leq5\times10^{-8}$）命中。基于ML的GWAS复制了UKB最近VCDR GWAS中65个GWS位点中的62个，其中两名眼科医生手动标记了67，040名欧洲人的图像。基于ML的GWAS还确定了92个新位点，显著扩展了我们对青光眼和VCDR遗传病因学的理解。通路分析支持VCDR的新命中的生物学意义，选择基因座附近的基因参与神经元和突触生物学或已知引起严重的孟德尔眼科疾病。最后，在独立EPIC-Norfolk队列中，基于ML的GWAS结果显著改善了VCDR和原发性开角型青光眼的多基因预测。
2020-11-25 q-bio.GN stat.AP
Unlocking the Power of Multi-institutional Data: Integrating and Harmonizing Genomic Data Across Institutions
Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；University of Michigan（密歇根大学）
针对多机构肿瘤基因组数据因基因面板差异、技术异质性等难以整合的问题，提出Bridge模型，通过分位数匹配潜变量方法提取整合特征，在六种癌症的生存预测中表现更优。
2024-10-29 cs.LG q-bio.GN stat.ME
Neural Networks beyond explainability: Selective inference for sequence motifs
Université de Lyon（里昂大学）；Université Lyon 1（里昂第一大学）；CNRS（法国国家科学研究中心）；VetAgro Sup（国立兽医、农学与食品学院）；École Centrale de Lyon（里昂中央理工学院）
在过去的十年里，神经网络已经成功地从生物序列中进行预测，特别是在调控基因组学的背景下。与深度学习的其他领域一样，已经设计了一些工具来提取特征，例如可以解释训练网络所做预测的序列基序。在这里，我们打算超越可解释的机器学习，并引入SEISM，这是一种选择性推理程序，用于测试这些提取的特征与预测表型之间的关联。特别是，我们讨论了如何训练一层卷积网络在形式上等同于选择最大化某个关联得分的基序。我们适应现有的采样为基础的选择性推理程序，通过量化这个选择在一个无限的集合到一个大的，但有限的网格。最后，我们表明，在一个特定的参数选择下的采样是足够的特征复合零假设通常用于选择性推理的结果，远远超出了我们的特定框架。我们说明了我们的方法在校准，功率和速度方面的行为，并讨论了它的功率/速度权衡与一个更简单的数据分割策略。SEISM为调控基因组学中使用的神经网络的更简单分析以及全基因组关联研究（GWAS）的更强大方法铺平了道路。
2022-12-23 cs.LG q-bio.GN stat.ML
Bayesian Analysis of Multiway Tables in Association Studies: A Model Comparison Approach
本文研究了多路表未知量的统计推断问题。我们表明，这样的多向表自然形成的回归系数安排在复杂的系统中的线性模型的关联分析。在遗传学和基因组学中，由此产生的双向和三向表涵盖了许多重要的应用。在贝叶斯层次模型框架内，我们通过先验规范定义了多路表的结构。着重于模型的比较和选择，我们推导了贝叶斯因子及其近似的解析表达式，并讨论了它们的理论和计算性质。最后，我们证明了我们的方法使用的基因组应用映射组织特异性eQTL（表达定量位点）的强度。
2013-09-05 stat.AP stat.ME
Combining controls can improve power in two-stage association studies
高维病例对照研究在生物科学中无处不在，特别是基因组学。为了在限制成本的同时最大限度地提高功效，并最大限度地降低第一类错误率，研究人员通常会在进行进一步分析之前，在第二次独立队列实验中重复研究结果。本文介绍了一种方法，其中控制（或情况下）从发现队列的样本重复使用的复制研究。这种方法的理论意义进行了讨论和模拟用于比较性能对标准方法在一系列的情况下。在几种常见的研究设计中，共享控制方法允许在保留1型错误率控制的同时大幅提高功效。当对照样本难以招募或确定时，出现了一个重要的潜在应用领域;例如在疾病间比较或退行性疾病研究中。使用类似的方法，提出了一个程序的“部分复制”使用一个新的独立的队列组成的控制。当无法进行完整的复制程序时，可使用此方法对结果进行某些验证。与标准程序相比，新方法对研究队列中的混杂因素具有不同的敏感性，在应用中必须考虑到这一点。在这些情况下的1型错误率的分析和经验得出，并提供了一个在线工具，用于比较功率和错误率。尽管必须仔细考虑所有必要的假设，但这种方法可以在全基因组关联研究（GWAS）和其他应用中更有效地使用数据。
2017-07-10 stat.ME
Hypothesis Testing in High-Dimensional Instrumental Variables Regression with an Application to Genomics Data
基因表达和表型关联可能受到来自多个来源的潜在未测量混杂因素的影响，导致对关联的偏倚估计。由于遗传变异在很大程度上解释了基因表达变异，因此可以在高维工具变量（IV）回归的框架内将其用作研究基因表达与表型之间关联的工具。然而，由于遗传变异和基因表达的维度通常大于样本量，因此统计推断（例如，用于此类高维IV模型的假设检验）并非微不足道，并且尚未在文献中进行研究。由于工具变量（例如，遗传变体）必须在大量的遗传变体中进行选择。研究了稀疏IV回归模型的假设检验问题，给出了单个回归系数的检验方法和多个回归系数的多重检验方法，其中单个回归系数的检验统计量是基于逆回归构造的.一个多重检验程序开发选择变量，并控制错误发现率。仿真进行评估我们所提出的方法的性能。这些方法通过酵母数据集的分析来说明，以确定与过氧化氢存在下的生长相关的基因。
2019-10-21 stat.AP stat.ME
Joint analysis of SNP and gene expression data in genetic association studies of complex diseases
遗传关联研究已成为评估常见单核苷酸多态性（SNP）与复杂疾病之间关联的流行方法。然而，在这些关联研究中，涉及从SNPs到疾病的机制的其他基因组数据，例如基因表达，通常被忽略。在本文中，我们建议利用基因表达信息，更有力地测试SNP和疾病之间的关联，通过联合建模SNP，基因表达和疾病之间的关系。我们提出了一个方差分量测试的总效应的SNP和基因表达的疾病风险。我们在因果中介分析框架内将基因表达作为潜在的中介体进行测试。对于eQTL SNP，基因表达信息的使用可以增强检验SNP集合的总效应的能力，SNP集合是通过基因表达介导的SNP对疾病风险的组合的直接和间接效应。我们发现，在原假设下的检验统计量遵循混合的$χ^2$分布，这可以通过分析或经验使用基于重采样的扰动方法进行评估。我们为三种疾病模型中的每一种构建测试，这些疾病模型仅由SNP决定，SNP和基因表达，或者还包括它们的相互作用。由于真实的疾病模型在实践中是未知的，我们进一步提出了一个综合测试，以适应不同的基础疾病模型。我们使用模拟研究评估所提出的方法的有限样本性能，并表明我们提出的测试表现良好，综合测试几乎可以达到最佳的功率，疾病模型是已知的，并正确指定。我们应用我们的方法重新分析SNP集和ORMDL3基因表达对哮喘风险的总体影响。
2014-04-25 stat.AP
GSAE: an autoencoder with embedded gene-set nodes for genomics functional characterization
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；The University of Texas Health Science Center at San Antonio（德克萨斯大学圣安东尼奥健康科学中心）；Northwestern Polytechnical University（西北工业大学）
生物信息学工具已经被开发用于在基因组水平上解释基因表达数据，并且这些基于基因组的分析提高了生物学家发现其实验设计的功能相关性的能力。在对基因集进行单独研究时，很少考虑基因集间的关联。深度学习是计算生物学中新兴的机器学习技术，可用于生成基因集的无偏组合，并通过利用大型基因组数据集来确定这些组合基因集的生物相关性和分析一致性。在这项研究中，我们提出了一个基因超集自动编码器（GSAE），一个多层的自动编码器模型与先验定义的基因集，保留在潜在层的关键生物特征。我们引入了基因超集的概念，这是一个由自动编码器训练的基因集与权重的无偏组合，其中潜在层中的每个节点都是一个超集。利用来自TCGA的基因组数据进行训练，并与其伴随的临床参数进行评估，我们显示了基因超集区分肿瘤亚型的能力及其预后能力。我们进一步证明了在显著超集中的顶部组分基因集的生物学相关性。使用自编码器模型和基因超集在其潜在层，我们证明了基因超集保留了足够的生物学信息，肿瘤亚型和临床预后意义。超集还提供了高重现性的生存分析和准确的预测癌症亚型。
2018-12-28 cs.AI cs.LG q-bio.GN
Adjacency-constrained hierarchical clustering of a band similarity matrix with application to Genomics
Université d’Evry Val d’Essonne（埃夫里-瓦勒德埃松大学）；Hyphen-stat；Institute of Plant Sciences Paris Saclay IPS2, CNRS, INRA（巴黎萨克雷植物科学研究所）；MIAT, Université de Toulouse, INRA（农业生物技术研究所，图卢兹大学）
针对基因组数据分析中邻接约束层次聚类的二次复杂度问题，提出基于远距对象相似性可忽略假设的准线性复杂度实现，验证了其生物学有效性与高效性，提供R包adjclust。
2019-02-05 math.ST q-bio.QM stat.TH
Fast Inference of Admixture Coefficients Using Sparse Non-negative Matrix Factorization Algorithms
个体混合系数的推断对于群体遗传和关联研究是重要的，通常使用计算密集型似然算法进行。随着大规模群体基因组数据集的可用性，快速版本的似然算法已经引起了相当大的关注。然而，减少估计算法的计算负担仍然是一个重大挑战。在这里，我们提出了一个快速和有效的方法来估计个人的混合系数的基础上稀疏非负矩阵分解算法。我们在计算机程序sNMF中实现了我们的方法，并将其应用于人类和植物基因组数据集。然后将sNMF的性能与计算机程序ADMIXTURE中实现的似然算法进行比较。在不损失准确性的情况下，sNMF在运行时间内计算混合系数的估计值比ADMIXTURE快约10至30倍。
2013-09-24 q-bio.PE q-bio.QM stat.CO
Estimating marginal association between paired outcomes in clustered data with an application to analyzing caries and periodontal disease data from the National Health and Nutrition Examination Survey
本文提出三种加权估计方法，用于估计集群数据中配对结果之间的边际关联，通过引入基于集群内重采样的权重，扩展了逆集群大小和子组大小加权方法，并利用Stouffer方法改进了现有的ISS检验过程，以减少计算负担。
2026-10-14 q-bio.QM stat.AP stat.ME
Multiple tests of association with biological annotation metadata
我们提出了一个通用的和正式的统计框架，多个测试之间的关联已知的固定功能的基因组和未知的参数分布的变量功能的基因组在一个人口的利益。已知的基因注释谱对应于基因组的固定特征，可能涉及基因本体（GO）注释、途径成员、特定转录因子、核苷酸序列或蛋白质序列的调节。对应于基因组的可变特征的未知基因参数谱可以是例如将可能删失的生物和临床结果与全基因组转录物水平、DNA拷贝数和其他协变量相关的回归系数。当前基因组研究中一个非常感兴趣的通用问题是检测生物注释元数据和全基因组表达测量之间的关联。这个生物学问题可以被翻译为多个假设的测试有关的关联措施之间的基因注释档案和基因参数档案。统计推断问题的一般和严格公式化允许我们应用[多重检验程序与基因组学应用（2008）Springer，New York]和相关文章中开发的多重假设检验方法，以控制广泛的一类第一类错误率，定义为广义尾部概率和第一类错误和拒绝假设的数量的任意函数的期望值。[Multiple Testing Procedures with Applications to Genomics（2008）Springer，New York]的基于重采样的单步和逐步多重检验程序考虑了检验统计量的联合分布，并在涉及一般数据生成分布（变量之间具有任意依赖结构）、零假设和检验统计量的检验问题中提供I型误差控制。
2008-05-20 stat.AP stat.ME
A new multivariate and non-parametric association measure based on paired orthants
本文提出一种基于配对卦限概念的多变量非参数关联度量方法，不仅能评估多变量间的相互关联性，还能确定变量的特定倾向。
2024-02-12 stat.ME
High-dimensional multi-trait GWAS by reverse prediction of genotypes
University of Bergen（卑尔根大学）
多性状全基因组关联研究（GWAS）使用多变量统计方法同时识别遗传变异与多个相关性状之间的关联，并且比性状的独立单变量分析具有更高的统计功效。反向回归，其中遗传变异的基因型同时对多个性状进行回归，已经成为在性状数量超过样本数量的高维环境中进行多性状GWAS的一种有前途的方法。我们分析了不同的机器学习方法（岭回归，朴素贝叶斯/独立单变量，随机森林和支持向量机）在多性状GWAS中的反向回归，使用来自DREAM 5 SysGen Challenge和两种酵母菌株之间的交叉的基因型，基因表达数据和地面真实转录调控网络来评估方法。我们发现，基因型预测性能，在均方根误差（RMSE）方面，允许区分基因组区域具有高和低的转录活性。此外，模型特征系数与变异体和个体性状之间的关联强度相关，并预测真正的trans-eQTL靶基因，与跨方法的互补发现。可在https://github.com/michoel-lab/Reverse-Pred-GWAS上获得重现分析的代码
2022-02-09 cs.LG q-bio.GN q-bio.QM
Deep Learning for Efficient GWAS Feature Selection
Global Biometrics and Data Sciences（全球生物统计与数据科学）；Bristol Myers Squibb（百时美施贵宝）
本文提出一种扩展的深度学习特征选择方法，通过引入Frobenius范数惩罚增强学生网络，有效处理超高维GWAS数据，并在实验中展现出优越性能。
2023-12-22 cs.LG q-bio.GN stat.ME
Bayesian Genome- and Epigenome-wide Association Studies with Gene Level Dependence
高通量遗传和表观遗传数据经常被筛选与观察到的表型的关联。例如，人们可能希望测试数十万个遗传变异或DNA甲基化位点与疾病状态的关联。这些基因组变量可以自然地根据它们编码的基因以及其他标准进行分组。然而，在这种应用中的标准实践是独立筛选，具有对多重性的普遍校正。我们提出了一种贝叶斯方法，其中一个给定的基因组变量的关联的先验概率取决于它的基因，和基因特异性的概率建模非参数。这种分层模型允许适当的基因和全基因组多重性调整，并可以被纳入到各种贝叶斯关联筛选方法中，计算复杂性的增加可以忽略不计。我们描述了一个应用程序，以筛选低级别胶质瘤和多形性胶质母细胞瘤肿瘤样本之间的DNA甲基化差异的癌症基因组图谱。软件可通过https://github.com/lockEF/BayesianScreening上的BayesianScreening for R软件包获得。
2016-04-29 q-bio.GN stat.AP stat.ME
Pathways of Distinction Analysis: a new technique for multi-SNP analysis of GWAS data
由于技术的进步，全基因组关联研究已经变得越来越普遍，并且已经允许鉴定与疾病相关的单核苷酸多态性（SNP）等位基因的差异。然而，虽然典型的GWAS分析技术单独处理标记物，但复杂疾病不太可能具有单一致病基因。因此，迫切需要多SNP分析方法，可以揭示病例和对照的系统水平差异。在这里，我们提出了一种新的多SNP GWAS分析方法，称为区分分析途径（PoDA）。该方法使用GWAS数据和已知的通路基因和基因SNP关联来识别允许理想情况下区分病例和对照的通路。该技术是基于这样的假设，即如果一个途径与疾病风险有关，那么与该途径相关的SNP的对照相比，病例将与其他病例更相似。通过将该方法系统地应用于所有潜在感兴趣的途径，我们可以识别出假设成立的那些途径，即，含有SNP的途径，其中样品表现出比跨类更大的类内相似性。重要的是，PoDA改进了现有的单SNP和SNP集富集分析，因为它不需要途径中的SNP表现出独立的主效应。这允许PoDA揭示上位性相互作用驱动风险的途径。在本文中，我们详细的PoDA方法，并将其应用到两个GWA研究：乳腺癌，和其他肝癌。所获得的结果强烈表明，存在有助于疾病易感性的通路范围的基因组差异。因此，PoDA提供了一个分析工具，是对现有技术的补充，并有能力在系统水平上丰富我们对疾病基因组学的理解。
2011-03-17 q-bio.GN q-bio.MN q-bio.QM
Class-Conditional VAE-GAN for Local-Ancestry Simulation
Purdue University（普渡大学）；Stanford University（斯坦福大学）
局部祖先推断（LAI）可以识别混合个体中所有染色体片段的祖先，是人类基因组分析的关键步骤，其应用范围从药物基因组学和精确医学到全基因组关联研究。近年来，许多叶面积指数技术在工业和学术研究中得到了发展。然而，这些方法需要来自感兴趣的祖先的人类基因组序列的大型训练数据集。这种参考数据集通常是有限的、专有的、受隐私限制的保护，或以其他方式不向公众开放。在这种情况下，生成类似于来自感兴趣的祖先的真实单倍体序列的训练样本的技术可以是有用的工具，因为通用模型通常可以共享，但独特的人类样本序列不能共享。在这项工作中，我们提出了一个类条件VAE-GAN产生新的人类基因组序列，可用于训练本地祖先推理（LAI）算法。我们通过比较最先进的LAI方法在使用生成的数据与真实数据进行训练时的性能来评估生成数据的质量。
2019-11-27 cs.LG q-bio.GN stat.ML
Extracting Epistatic Interactions in Type 2 Diabetes Genome-Wide Data Using Stacked Autoencoder
Liverpool John Moores University（利物浦约翰摩尔斯大学）
糖尿病是一个主要的全球性公共卫生问题，其日益增加的患病率在所有国家都具有重大的健康和经济意义。这种情况是一种病因复杂的多因素疾病。遗传决定因素在很大程度上仍然难以捉摸，只有少数确定的候选基因。全基因组关联研究（GWAS）有望显着提高我们对常见复杂疾病的遗传决定因素的理解。迄今为止，已使用GWAS鉴定了83种2型糖尿病单核苷酸多态性（SNP）。单基因座和多基因座分析的标准统计检验（如逻辑回归）在理解复杂人类疾病的遗传结构方面几乎没有效果。逻辑回归建模捕捉线性相互作用，但忽略了遗传数据中存在的非线性上位相互作用。迫切需要检测复杂疾病中的上位相互作用，因为这可能解释此类疾病中剩余的缺失遗传性。在本文中，我们提出了一个新的框架，基于深度学习算法，处理非线性上位相互作用，存在于全基因组关联数据。在加性遗传模型下进行逻辑关联分析，针对基因组控制膨胀因子进行调整，以去除统计学上不可能的SNP，从而使计算开销最小化。
2018-08-28 cs.LG stat.ML
Robust joint modeling of sparsely observed paired functional data
本文提出一种基于降秩混合效应模型和多元正态尺度混合分布的稳健联合建模方法，用于稀疏观测配对函数型数据，并通过EM算法实现拟合，在超新星光变曲线应用中验证了其优于现有方法的效果。
2023-08-07 stat.AP stat.ME
RADIOHEAD: Radiogenomic Analysis Incorporating Tumor Heterogeneity in Imaging Through Densities
最近的技术进步已经能够通过放射成像和基因组（放射基因组学）数据的多源整合，详细研究分子结构和肿瘤异质性之间的关联。在本文中，我们整合和利用低级别胶质瘤（LGG）（一种脑癌）患者的放射基因组学数据，以开发一种称为RADIOHEAD（RADIOgenomic analysis including tumor heterosis in imAging through Densities）的回归框架，以确定放射基因组学关联。成像数据通过从多模态磁共振成像获得的肿瘤子区域的体素强度概率密度函数来表示，并且基因组数据通过对应于其基因表达谱的途径富集分数形式的分子签名来表示。采用一个黎曼几何框架的主成分分析的概率密度函数的集合，我们映射每个概率密度的主成分得分，然后包括作为预测因子的贝叶斯回归模型的路径富集得分作为响应的向量。在通过肿瘤子区域诱导的预测因子中与分组结构兼容的变量选择在组尖峰和板之前进行。然后，使用贝叶斯错误发现率机制来基于回归系数的后验分布推断显著关联。我们的分析揭示了与LGG病因相关的几种途径（如突触传递、神经冲动和神经递质途径），与相应的基于成像的预测因子具有显著相关性。
2021-04-07 stat.AP stat.ME
Joint Group-Based Trajectory Modeling for Paired Repeated Measures: An Application to Audiometric Phenotypes and Dietary Associations
Harvard T.H. School of Public Health（哈佛T.H.陈公共健康学院）；Harvard Medical School（哈佛医学院）；Brigham and Womens Hospital（布里格姆和妇女医院）；Medical University of South Carolina（南卡罗来纳医科大学）
针对配对重复测量数据中传统GBTM假设常被违反的问题，提出联合GBTM框架，开发两阶段方法和单阶段EM算法，经模拟验证可纠正偏差，还应用于实际数据研究听力表型及饮食与听力模式的关联。
2026-07-28 stat.ME
Mixture Envelope Model for Heterogeneous Genomics Data Analysis
包络模型又称多元回归模型，是为解决多响应回归问题而提出的。它通过使用适应均值函数的协方差阵的最小约简子空间来度量预测变量与多重响应之间的线性关联。然而，在许多实际应用中，数据可能包含许多未知的混杂因素，或者它们只是来自不同的资源。因此，在整个人口中可能存在某种异质依赖性，并将他们分为不同的群体。例如，在乳腺癌人群中存在几种亚型，每个亚型组具有不同的基因相互作用机制。在这种情况下，使用所有观察值构建单个模型会忽略组间的差异，而由于未知的组分类，估计每组的多个模型是不可行的。针对这一问题，本文提出了一种混合包络模型，该模型为异构数据构建了一个分组模型，并通过一种输入-条件一致性（ICC）算法将异构数据分类到不同的组中。仿真结果表明，我们提出的方法优于现有的方法在分类和预测。最后，我们将我们提出的方法应用到乳腺癌分析中，以识别炎性乳腺癌亚型患者，并评估micro-RNA和信使RNA基因表达之间的关联。
2018-05-04 stat.ME
Genomic Data Analysis using a Two Stage Expectation Propagation Algorithm for Analysis of Sparse Bayesian High-Dimensional Instrumental Variables Regression
基因表达数据和遗传变异的同时分析是高度感兴趣的，特别是当基因表达和遗传变异的数量都大于样本量时。因果基因和有效SNP两者的关联使得使用这种遗传数据集的稀疏建模非常重要。高维稀疏工具变量模型就是其中一种有用的关联模型，它可以同时描述基因表达和具有复杂性状的遗传变异之间的关系。从贝叶斯的角度来看，稀疏性可以使用稀疏性强制先验，如尖峰和板先验。提出了一种改进的两阶段期望传播（EP）算法，并研究了在高维稀疏工具变量模型中的近似推理。该方法采用经典的两阶段最小二乘法，与贝叶斯上下文一起使用。仿真研究进行检查的方法的性能。所提出的方法被应用于小鼠肥胖数据的分析。
2021-10-06 stat.ME
Bivariate Causal Discovery and its Applications to Gene Expression and Imaging Data Analysis
遗传学、表观遗传学和影像学数据分析的主流研究集中在统计关联或探索变量之间的统计依赖性。尽管他们在遗传学研究方面取得了重大进展，但对复杂表型的病因和机制的理解仍然难以捉摸。关联分析作为复杂数据分析的主要分析平台，是制约基因组科学理论发展和实际应用的关键问题。因果推理是发现复杂表型之间的机械关系的重要组成部分。许多研究人员建议从关联过渡到因果关系。尽管因果推理在科学、工程和生物医学中起着重要作用，但传统的因果推理方法至少需要三个变量。然而，数量遗传分析，如QTL，eQTL，mQTL和基因组成像数据分析需要探索两个变量之间的因果关系。本文将重点讨论二元因果发现。我们将介绍原因和机制的独立性（ICM）作为因果推理的基本原则，算法信息论和加性噪声模型（ANM）作为双变量因果发现的主要工具。将进行大规模模拟以评估ANM用于双变量因果发现的可行性。为了进一步评估其因果推理的性能，ANM将被应用于基因调控网络的构建。此外，ANM将被应用到特质成像数据分析，以说明三种情况：存在因果关系和关联，存在关联而不存在因果关系，存在因果关系，而两个变量之间缺乏关联。
2018-05-10 q-bio.GN stat.ME
Nonparametric Bayes Differential Analysis of Multigroup DNA Methylation Data
针对多组DNA甲基化数据的差异分析需求，提出基于粘性皮特曼-约过程的非参数贝叶斯方法BayesDiff，可自适应处理序列依赖并同时推断差异特征，经模拟和胃肠道癌症数据集验证有效。
2023-05-04 stat.AP stat.ME
On the application of Gaussian graphical models to paired data problems
研究高斯图模型在配对数据中的应用，提出融合图形套索惩罚学习两个相依图及跨图关联结构，并提供ADMM算法与R包，应用于癌症基因组学比较。
2024-10-11 stat.AP stat.CO stat.ME
Functional Integrative Bayesian Analysis of High-dimensional Multiplatform Genomic Data
多平台分子和基因组学数据的收集和传播的快速发展为聚合这些数据以了解、预防和治疗人类疾病带来了巨大的机会。虽然在多组学数据整合方法中已经取得了显着改进，以发现预后和治疗的生物标志物和机制，但控制这些复杂机制的精确细胞功能仍然需要详细和数据驱动的从头评估。我们提出了一个框架，称为高维多平台基因组数据的功能整合贝叶斯分析（fiBAG），它允许同时识别蛋白质基因组生物标志物的上游功能证据，并将这些知识纳入贝叶斯变量选择模型，以提高信号检测。fiBAG采用高斯过程模型的合并，通过贝叶斯因子量化（可能是非线性的）功能证据，然后将其映射到新的校准尖峰和平板先验，从而指导选择并提供与患者结局相关的功能相关性。使用模拟，我们说明了如何与功能校准的综合方法有更高的权力，以检测疾病相关的标志物比非综合的方法。我们通过对14种癌症类型的泛癌症分析来证明fiBAG的盈利能力，以识别和评估与癌症干性和患者生存相关的蛋白基因组标志物的细胞机制。
2022-12-29 q-bio.GN q-bio.QM stat.AP
The Informed Elastic Net for Fast Grouped Variable Selection and FDR Control in Genomics Research
针对现有T-Rex+GVS选择器计算成本高的问题，提出知情弹性网作为新型基础选择器，在保留分组选择特性的同时提升计算效率，且FDR更低，适用于大规模GWAS。
2024-10-07 stat.ME stat.ML
A procedure to detect general association based on concentration of ranks
在现代高通量应用中，识别变量之间的成对关联非常重要，并且需要使用功能强大且对各种关联关系敏感的方法。我们描述了RankCover，这是一种新的非参数关联检验，用于测量两个变量之间的关联，该变量测量配对排名点的浓度。这里使用与空间数据分析中使用的统计数据类似的磁盘覆盖统计数据对“集中”进行量化。模拟数据集的分析表明，该方法是强大的，往往强大的竞争一般关联测试相比。我们在几个真实数据集的分析中说明了RankCover。
2014-09-29 stat.ME
A new non-parametric test for multivariate paired data from pair matching or paired designs
School of Data Science, Fudan University（复旦大学数据科学学院）；Department of Statistics, University of California, Davis（加州大学戴维斯分校统计系）；Beijing International Center for Mathematical Research and School of Public Health, Peking University（北京大学北京国际数学研究中心与公共卫生学院）
针对多变量配对数据，提出一种新非参数检验方法，显著提升高维场景下的统计功效，并推导渐近分布便于应用。
2026-06-23 stat.ME
Boosting multi-view association testing via devariation
University of Toronto（多伦多大学）；Centre for Addiction and Mental Health（成瘾与心理健康中心）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出去变异方法，通过惩罚低秩因子模型捕捉视图内依赖，提升统计功效，验证了其在多模态神经影像数据中的有效性。
2026-03-27 math.ST stat.AP stat.ME
Integrative Bayesian models using Post-selective Inference: a case study in Radiogenomics
基于基因组学和大量中间表型（如成像）之间统计学相关性的综合分析提供了对其在疾病机制方面的临床相关性的重要见解。然而，在由此产生的综合模型的不确定性估计是不可靠的，除非推断占这些协会的选择与准确性。在这篇文章中，我们开发了选择感知贝叶斯方法，该方法：（i）通过$\ell_1$正则化算法选择有希望的变量后，通过灵活的综合贝叶斯模型中的“选择感知后验”来抵消模型选择偏差的影响;（二）当同一数据集用于选择和不确定性时，在模型选择的质量和推理能力之间取得不可避免的折衷估计。中央我们的方法发展，精心构造的条件似然函数部署与重新参数化映射提供了显着的易处理的更新时，基于梯度的MCMC抽样用于估计不确定性的选择意识后。将我们的方法应用于放射基因组学分析，我们成功地恢复了几个重要的基因通路，并估计了它们与患者生存时间的关系的不确定性。
2022-08-12 stat.AP stat.CO stat.ME
Multivariate Differential Association Analysis
提出一种基于核的多元差异关联分析方法，用于检验两组高维变量在两种条件下的依赖关系是否不同，并证明其在有限样本下计算高效且对线性和非线性关系检测具有高功效。
2023-07-28 stat.ME
Least squares for cardinal paired comparisons data
本文严格分析基数成对比较数据图模型的最小二乘估计量，给出保证强相合性、渐近正态性和指数收敛的基于图的充要条件，并应用于NBA球队排名。
2025-05-30 math.ST stat.ME stat.TH
An integrated method for clustering and association network inference
针对高维高斯图模型网络推断随变量增多复杂度上升的问题，提出Normal-Block聚类-网络推断集成模型及零膨胀版本，设计惩罚变分EM联合推断方法，开发R包normalblockr，经模拟和真实数据验证有效。
2025-09-03 stat.AP stat.CO stat.ME
Sparse precision matrix estimation in phenotypic trait evolution models
系统发育性状进化模型允许估计在相关生物样品中观察到的一组性状之间的进化相关性。通过沿着可估计的系统发育树直接对性状的进化进行建模，模型的结构有效地控制了共享的进化历史。在这些模型中，相关性通常通过其边缘分布的高后验密度区间来评估。然而，所选择的相关性本身可能无法提供关于特质关系的全貌。它们的关联结构，通过编码偏相关的图来表达，可以突出特征之间直接关联的稀疏模式。为了开发一个基于模型的方法来识别这种关联结构，我们探索使用高斯图形模型（GGM）的协方差选择。我们模型的精度矩阵与G-Wishart共轭先验，这导致稀疏精度估计。此外，该模型自然允许对性状之间的关联进行贝叶斯因子测试，而不需要额外的计算。我们评估我们的方法，通过蒙特卡罗模拟和应用程序，研究协会的结构和进化相关性的表型性状在达尔文雀和基因组和表型性状在原核生物。我们的方法提供了准确的图估计和较低的误差的精度和相关参数估计，特别是有条件的独立性状，这是目标稀疏GGM。
2022-11-22 stat.CO stat.ME
Nonparametric Bayes Differential Analysis for Dependent Multigroup Data with Application to DNA Methylation Analyses in Cancer
现代癌症基因组学数据集涉及广泛变化的大小和尺度，测量变量和相关结构。这些高通量研究的一个基本分析目标是开发通用统计技术，这些技术可以在一组实验或生物条件下识别疾病特异性基因组特征时从噪声中干净地筛选信号。我们提出了BayesDiff，一种非参数贝叶斯方法的基础上一类新的一阶混合模型，称为粘性泊松-狄利克雷过程或multicuisine餐厅特许经营。BayesDiff方法灵活地利用来自所有测量的信息，并自适应地适应数据中的任何串行依赖性，考虑探针间距离，以对变量进行同时推断。该技术应用于分析DNA甲基化胃肠道（GI）癌症数据集，它显示了序列相关性和复杂的相互作用模式。我们的分析和结果都支持和补充了上消化道癌症中DNA甲基化和基因相关性的已知方面。在模拟研究中，我们证明了相对于现有技术的差异DNA甲基化的贝叶斯Diff过程的有效性。
2022-04-11 stat.ME
