For survival data with high-dimensional covariates, results generated in the analysis of a single dataset are often unsatisfactory because of the small sample size. Integrative analysis pools raw data from multiple independent studies with comparable designs, effectively increases sample size, and has better performance than meta-analysis and single-dataset analysis. In this study, we conduct integrative analysis of survival data under the accelerated failure time (AFT) model. The sparsity structures of multiple datasets are described using the homogeneity and heterogeneity models. For variable selection under the homogeneity model, we adopt group penalization approaches. For variable selection under the heterogeneity model, we use composite penalization and sparse group penalization approaches. As a major advancement from the existing studies, the asymptotic selection and estimation properties are rigorously established. Simulation study is conducted to compare different penalization methods and against alternatives. We also analyze four lung cancer prognosis datasets with gene expression measurements.
Structured penalized regression for drug sensitivity prediction
大规模{ \it in vitro}药物敏感性筛选是个性化肿瘤学中预测潜在癌症药物有效性的重要工具。预测癌细胞系对一组药物的敏感性是一个多变量回归问题，其输入数据为高维异质多组学数据，并且代表对不同药物敏感性的结果变量之间具有潜在的强相关性。我们提出了一种联合惩罚回归方法与结构化的惩罚条款，使我们能够利用药物之间的相关性结构与组套索型处罚，并在同一时间解决组学数据源之间的异质性，通过引入数据源特定的惩罚因子，惩罚不同的数据源不同。通过将综合惩罚因子（IPF）与树引导的组套索相结合，我们创建了IPF树套索方法。我们提出了一个统一的框架，将更一般的IPF型方法，原来的惩罚方法。由于结构化的惩罚项有多个参数，我们演示了如何通过全局优化（EPSGO）算法的区间搜索有效的参数选择可以用来有效地优化多个惩罚参数。仿真研究表明，IPF-tree-lasso与其他lasso类型的方法相比，可以提高预测性能，特别是对于异构数据源。最后，我们采用新的方法来分析癌症药物敏感性基因组学项目的数据。
A Hierarchical Integrative Group LASSO (HiGLASSO) Framework for Analyzing Environmental Mixtures
环境健康研究越来越多地测量多种污染物，以确定暴露混合物对健康的联合影响。然而，潜在的剂量-反应关系之间的毒物和健康结果的利益可能是高度非线性的，可能的非线性相互作用的影响。现有的惩罚回归方法，占暴露的相互作用，不能容纳非线性相互作用，同时保持强大的遗传性或计算不稳定的应用程序有限的样本量。在本文中，我们提出了一个一般的收缩和选择框架，以确定值得注意的非线性的主要和相互作用的影响之间的一组曝光。我们设计了分层综合组LASSO（HiGLASSO），以（a）对双向交互效应施加强遗传约束（分层），（b）在不需要初始系数估计的情况下加入自适应权重（综合），以及（c）在尊重组结构的同时诱导变量选择的稀疏性（组LASSO）。我们证明了所提出的方法的稀疏性，并将HiGLASSO应用于来自LIFECODES出生队列的环境毒物数据集，其中研究人员有兴趣了解21种尿毒物生物标志物对尿8-异前列烷的联合影响，这是一种氧化应激的测量方法。HiGLASSO的实现在higlasso R包中提供，可通过Comprehensive R Archive Network访问。
Censored broken adaptive ridge rank regression via induced smoothing
School of Mathematics, Statistics and Data Science, Sungshin Women’s University（成均馆大学数学、统计与数据科学学院）；Sungshin Women’s University（诚信女子大学）；Department of Biostatistics, Virginia Commonwealth University（弗吉尼亚联邦大学生物统计系）；Virginia Commonwealth University（弗吉尼亚联邦大学）；Center for Data Science, Sungshin Women’s University（诚信女子大学数据科学中心）
