Using Genetic Distance to Infer the Accuracy of Genomic Prediction
使用高密度基因组数据预测表型性状具有许多应用,例如具有商业价值的植物和动物的选择;并且预计在医学诊断中发挥越来越大的作用。用于此任务的统计模型通常使用交叉验证进行测试,这隐含地假设新的个体(我们想要预测的表型)来自相同的群体,基因组预测模型是trainedon. In本文中,我们提出了一种基于聚类和restemption的方法来研究在预测数量性状时,增加训练和目标群体之间的遗传距离的影响。这对植物和动物遗传学很重要,因为基因组选择程序依赖于未来几轮育种的预测精度。因此,估计预测准确性衰减的速度对于决定使用哪个训练群体以及模型需要多久重新校准一次非常重要。我们发现,真实值和预测值之间的相关性衰减近似线性相对于$\F$或平均亲缘关系之间的训练和目标人群。我们使用模拟和从小鼠,小麦和人类遗传学收集的数据集来说明这种关系。
2016-07-11 q-bio.GN q-bio.QM stat.ME
CS Sparse K-means: An Algorithm for Cluster-Specific Feature Selection in High-Dimensional Clustering
Carnegie Mellon University(卡内基梅隆大学)
特征选择是高维聚类中一项重要而又具有挑战性的任务。例如,在基因组学中,可能只有少量基因差异表达,这对整个聚类结构是有信息的。现有的特征选择方法,如稀疏K-means,很少解决只能分离聚类子集的会计特征的问题。在基因组学中,一个基因很可能只能定义一个亚型,而不能区分所有其他亚型,或者只能区分一对亚型。在本文中,我们提出了一种基于K-均值的聚类算法,发现信息的功能,以及集群对可分离的每个选定的功能。该方法本质上是一种期望最大化算法,在M步中对每个簇对引入套索约束,通过最大化原始簇间距离而不是最小化簇内距离来实现E步.结果在模拟数据和白血病基因表达数据集上得到证实。
2019-10-03 cs.LG stat.ME stat.ML
Penalized estimation for single-index varying-coefficient models with applications to integrative genomic analysis
最近的技术进步使得收集大量受试者的高维基因组数据以及临床数据成为可能。在癌症等慢性疾病的研究中,整合临床和基因组数据以建立对疾病机制的全面理解是非常有趣的。尽管对综合分析进行了广泛的研究,但由于数据的高维性和数据类型的异质性,对临床和基因组变量之间的相互作用效应进行建模仍然是一个持续的挑战。在本文中,我们提出了一种综合的方法,模型的相互作用的影响,使用单指数变系数模型,基因组特征的影响可以修改的临床变量。我们提出了一种惩罚的方法,分别选择主效应和交互作用效应。我们通过广泛的模拟研究证明了所提出的方法的优点,并提供了一个激励癌症基因组研究的应用程序。
2020-11-01 stat.ME
Robust Ultra-High-Dimensional Variable Selection With Correlated Structure Using Group Testing
University of Maryland Baltimore Marlene & Stewart Greenebaum Comprehensive Cancer Center(马里兰大学巴尔的摩分校马伦和斯蒂文·格林堡综合癌症中心);Case Western Reserve University(凯斯西储大学);University of Florida(佛罗里达大学)
本文提出了一种基于群体测试的鲁棒超高维变量选择方法,通过数据驱动的组内聚类和稳健统计方法,在数据污染和非正态条件下均表现出色,适用于基因组生物标志物发现。
2026-02-06 cs.LG stat.ME
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
Transfer Learning Using Feature Selection
University of Pennsylvania(宾夕法尼亚大学);University of Colorado (Boulder)(科罗拉多大学博尔德分校);Columbia University(哥伦比亚大学);Swarthmore College(斯沃斯莫尔学院)
我们提出了三种使用迁移学习来改进特征选择的相关方法。这三种方法解决了不同的问题,因此在任务或特征类之间共享不同类型的信息,但这三种方法都基于信息理论的最小描述长度(MDL)原则,并共享相同的基本贝叶斯解释。第一种方法MIC适用于为共享同一组特征的多个任务("同时转移“)同时建立预测模型的情况。MIC允许将每个特征添加到任何、一些或所有任务模型中,并且对于从大量特征池中选择一小组预测特征是最有益的,这在基因组和生物数据集中很常见。我们的第二种方法,TPC(三部分编码),使用类似的方法的情况下,功能可以分为功能类。我们的第三种方法,Transfer-TPC,解决了“顺序转移”问题,其中我们想要转移知识的任务可能事先不知道,并且可能具有与其他任务不同的数据量。当我们想要在具有不等量标记数据的任务之间传输知识时,Transfer-TPC是最有益的,例如用于消除不同动词意义的数据。我们证明了这些方法的有效性与实验结果有关的基因组学和词义消歧(WSD)的真实世界的数据。
2009-05-25 cs.LG
Advancing Interaction-Sensitive Feature Selection: Novel Relief-Based Algorithms, Expanded Comparisons, and Recommendations for Biomedical Data Mining
Cedars-Sinai Health Sciences University(西达赛奈健康科学大学)
本研究重构优化扩展scikit-rebate包,对比新型Relief类算法在基因组模拟数据中的表现,发现MultiSWRFDB等算法可有效保留主效应与交互作用,运行时间显著缩短。
2026-08-31 cs.LG
scMamba: A Scalable Foundation Model for Single-Cell Multi-Omics Integration Beyond Highly Variable Feature Selection
AI for Science Interdisciplinary Research Center(人工智能科学交叉研究中心);School of Computer Science, Northwestern Polytechnical University(西北工业大学计算机学院);Key Laboratory of Big Data Storage and Management, Northwestern Polytechnical University, Ministry of Industry and Information Technology(大数据存储与管理重点实验室,西北工业大学,工业和信息化部)
scMamba是一种单细胞多组学整合基础模型,通过基于patch的tokenization和增强对比学习,无需特征选择即可保留基因组位置信息,在多项下游任务中显著优于现有方法。
2025-06-25 cs.LG q-bio.CB
MINT: Mutual Information based Transductive Feature Selection for Genetic Trait Prediction
IBM T.J. Watson Research(IBM T.J. 沃森研究中心);Limagrain Europe(利马格兰欧洲)
利用高密度基因分型芯片对复杂表型性状进行全基因组预测,由于其与动植物育种和遗传流行病学领域相关,因此引起了极大的关注。由于基因型的数量通常比样本的数量大得多,预测模型受到维数灾难的影响。维数灾难问题不仅影响特定基因组选择方法的计算效率,而且还可能导致性能不佳,这主要是由于标记之间的相关性。在这项工作中,我们提出了第一个直推特征选择方法的基础上MRMR(最大相关性和最小冗余)标准,我们称之为MINT。我们应用MINT遗传性状预测问题,并表明,在一般情况下,MINT是一个更好的特征选择方法比国家的最先进的归纳方法mRMR。
2013-10-07 cs.CE cs.LG
Comparison of Clustering Methods for Time Course Genomic Data: Applications to Aging Effects
时间进程微阵列数据提供了关于动态生物过程的见解。虽然已经提出了几种聚类方法来分析这些数据结构,比较和选择适当的聚类方法很少讨论。我们比较了$3$基于概率的聚类方法和$3$基于距离的聚类方法的时间进程微阵列数据。在概率方法中,我们考虑:平滑样条聚类也称为基于模型的功能数据分析(MFDA),稀疏采样数据的功能聚类模型(FCM)和基于模型的聚类(MCLUST)。在基于距离的方法中,我们考虑了:加权基因共表达网络分析(WGCNA),动态时间弯曲距离聚类(DTW)和基于自相关距离的聚类(ACF)。我们研究了这些算法在模拟设置和案例研究数据。我们的研究表明,当基因曲线短而稀疏时,FCM表现得很好。当基因曲线为中等或长时($>=10$观察),DTW和WGCNA表现良好。当存在彼此相似的基因曲线簇时,SSC表现得非常好。总体而言,ACF在这些应用中表现不佳。在计算时间方面,FCM,SSC和DTW比MCLUST和WGCNA慢得多。WGCNA通过生成更准确和生物学意义的聚类结果而优于MCLUST。综合考虑性能和计算时间,WGCNA和MCLUST是比较好的方法。WGCNA优于MCLUST,但MCLUST提供了基于模型的推理和聚类结果的不确定性度量。
2014-04-29 stat.AP
A Comparative Analysis of Ensemble Classifiers: Case Studies in Genomics
Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院)
使用集成方法的多个分类器的组合对于在各种困难的预测问题中取得进展越来越重要。我们通过基因组学中的两个案例研究,即遗传相互作用和蛋白质功能的预测,对几种集成方法进行了比较分析,以证明它们在真实世界数据集上的有效性,并得出有关其行为的有用结论。这些方法包括简单聚合、元学习、基于聚类的元学习和集成选择,这些方法使用在重采样数据上训练的异构分类器来提高其预测的多样性。我们在4个基因组学数据集上对这些方法进行了详细分析,并发现这些方法中最好的方法在各自领域的最新技术水平上提供了统计学上的显着改进。此外,我们建立了集成选择和元学习之间的新联系,展示了这两种不同的方法如何在集成多样性和性能之间建立平衡。
2013-09-19 cs.LG q-bio.GN stat.ML
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
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
Regularization Parameter Selection for a Bayesian Multi-Level Group Lasso Regression Model with Application to Imaging Genomics
我们调查的贝叶斯多层次组套索模型的神经影像和遗传数据的联合分析的调整参数的选择。我们考虑的回归模型涉及多变量表型组成的大脑汇总措施(体积和皮质厚度值)的单核苷酸多态性(SNP)的数据,并施加惩罚在两个嵌套的水平,第一个对应于基因和第二个对应于SNP。与惩罚中的每个水平相关联的是调谐参数,其对应于分层贝叶斯公式中的超参数。根据以前的工作贝叶斯套索,我们考虑通过分层贝叶斯的基础上hyperpriors和吉布斯抽样或通过经验贝叶斯的基础上最大化的边际似然使用蒙特卡洛期望最大化算法的调整参数的估计。对于正在考虑的特定模型,我们发现,这些方法可能会导致严重的过度收缩的回归参数估计在高维设置或遗传效应弱时。我们通过模拟的例子证明了这些问题,并研究了近似的边际似然揭示了这个问题的原因。然后,我们提出了一种替代方法的基础上广泛适用的信息准则(WAIC),一个渐进的近似留一交叉验证,可以方便地计算MCMC框架内。
2016-03-27 stat.AP stat.CO stat.ML
Handling highly correlated genes in prediction analysis of genomic studies
背景:选择特征基因预测表型是基因组学数据分析的典型任务之一。虽然许多通用的预测算法被开发出来,但在预测模型中处理高度相关的基因仍然没有得到很好的解决。基因之间的高度相关性引入了技术问题,例如多重共线性问题,导致不可靠的预测模型。此外,当一个致病基因(其变体对表型具有实际的生物学效应)与其他基因高度相关时,大多数算法以纯粹的数据驱动方式从相关组中选择特征基因。由于基因间的相关结构会随着条件的变化而发生很大的变化,因此基于特征基因选择不当的预测模型是不可靠的。因此,我们的目标是在预测过程中保持因果生物信号,并建立一个更强大的预测模型。方法:我们提出了一个分组算法,它把高度相关的基因作为一个组,并使用它们的共同模式来表示该组的生物信号的特征选择。我们的新的分组算法可以集成到现有的预测算法,以提高其预测性能。我们提出的分组方法有两个优点。首先,使用基因组的共同模式使得预测在条件变化的情况下更加鲁棒和可靠。其次,它报告了整个相关基因组作为预测任务的生物标志物,使研究人员能够进行后续研究,以确定已确定的组中的因果基因。测试结果:使用具有模拟细胞表型的真实基准scRNA-seq数据集,我们证明了我们的新方法在(1)细胞表型预测和(2)特征基因选择方面都显着优于标准模型。
2022-04-08 stat.AP stat.ML
Guiding adaptive shrinkage by co-data to improve regression-based prediction and feature selection
本文综述利用协同数据引导回归模型自适应收缩的方法,比较分组自适应收缩与 sparse group-lasso,并整合协同数据学习器和 spike-and-slab 先验以提升遗传学特征选择。
2024-05-08 stat.ME stat.ML
MarkerMap: nonlinear marker selection for single-cell studies
New York University(纽约大学);Johns Hopkins University(约翰斯·霍普金斯大学);University of Cambridge(剑桥大学)
单细胞RNA-seq数据允许在越来越多的生物学背景中量化细胞类型差异。然而,精确定位解释这种变异性的基因组特征的一个小子集可能是不明确的,并且在计算上是棘手的。在这里,我们介绍MarkerMap,一种生成模型,用于选择最小的基因集,这些基因集最大限度地提供细胞类型来源的信息,并使整个转录组重建成为可能。MarkerMap提供了一个可扩展的框架,用于监督标记选择,旨在识别特定的细胞类型群体,以及无监督标记选择,旨在基因表达插补和重建。我们基准MarkerMap的竞争性能对以前发表的方法对真正的单细胞基因表达数据集。MarkerMap作为一个pip可安装包提供,作为一个社区资源,旨在开发可解释的机器学习技术,以增强单细胞研究的可解释性。
2022-07-28 cs.LG q-bio.GN stat.ML
Identifying cancer subtypes in glioblastoma by combining genomic, transcriptomic and epigenomic data
我们提出了一种非参数贝叶斯方法,用于多维癌症数据中的疾病亚型发现。我们的方法可以同时分析各种数据类型,允许其底层聚类结构之间的一致性和不一致性。它包括特征选择,并根据数据推断最可能的疾病亚型数量。我们将该方法应用于癌症基因组图谱中的277个胶质母细胞瘤样本,其中有基因表达,拷贝数变异,甲基化和microRNA数据。我们确定了8种不同的共识亚型,并研究了它们对死亡、新肿瘤事件、进展和复发的预后价值。共识亚型是肿瘤复发的预后指标(多重假设检验校正后$3.6 \times 10^{-4}$的对数秩p值)。这主要由甲基化数据($2.0 \times 10^{-3}$的对数秩p值)驱动,但其他3种数据类型加强了该效应,证明了整合多种数据类型的价值。特别值得注意的是47名患者的亚型,其特征在于非常低的甲基化水平。这种亚型的肿瘤复发率非常低,并且在10年的随访中没有新的事件。我们还确定了一个小的基因表达亚型的6例患者,表现出特别差的生存结果。此外,我们注意到一个共识亚型,显示了一个高度独特的数据签名,并建议它因此是一个生物学上不同的胶质母细胞瘤亚型。代码可从https://sites.google.com/site/multipledatafusion/获得
2013-04-15 q-bio.GN stat.ML
Robust Dual-Regularized Variable Selection under Outlier Contamination
Case Western Reserve University(凯斯西储大学);University of North Dakota(北达科他大学);CNRS UMR 6205, Univ Bretagne Sud(法国国家科学研究中心联合研究实验室第6205号,南布列塔尼大学)
针对外点污染下单指标模型的变量选择问题,提出两阶段稀疏中位数梯度外积(smOPG)方法,结合中位数回归与局部加权实现鲁棒性,模拟与实证均优于现有方法。
2026-09-21 stat.CO stat.ME stat.ML
Horseshoe Regularization for Feature Subset Selection
特征子集选择出现在统计学的许多高维应用中,例如压缩感知和基因组学。$\ell_0$惩罚对于这个任务是理想的,需要注意的是它需要对所有模型进行NP难的组合评估。最近相当感兴趣的领域是开发有效的算法来拟合具有用于$γ\in (0,1)$的非凸$\ell_γ$罚分的模型,这导致比凸$\ell_1$或套索罚分更稀疏的模型,但是更难以拟合。我们提出了一种替代方案,称为马蹄正则化惩罚的特征子集选择,并证明了其理论和计算的优势。现有的非凸优化方法的显着特点是一个完整的概率表示的惩罚作为一个合适的先验的对数的负数,这反过来又使有效的期望最大化和局部线性近似算法的优化和MCMC的不确定性量化。在合成和真实数据中,所得到的算法提供了更好的统计性能,并且计算需要最先进的非凸解算器的一小部分时间。
2017-06-22 stat.CO stat.ML