Efficient Penalized Generalized Linear Mixed Models for Variable Selection and Genetic Risk Prediction in High-Dimensional Data
稀疏正则化回归方法现在被广泛用于全基因组关联研究(GWAS),以解决限制发现潜在重要预测因子的多重检验负担。线性混合模型(Linear mixed models,简称LMM)是一种有效的替代主成分(principal components,简称PC)调整的方法。然而,它们在二元性状GWAS中的使用依赖于无效的假设,即残差方差不依赖于估计的回归系数。此外,Lemp使用响应的协方差阵的单个谱分解,这在广义线性混合模型(GLemp)中不再可能。我们介绍了一种新的方法,称为pglmm,一个惩罚GLMM,允许同时选择遗传标记和估计其影响,占个体间的相关性和二进制性质的性状。我们开发了一种基于PQL估计的计算效率高的算法,该算法允许在高维二进制性状GWAS(~ 300,000 SNP)上缩放正则化混合模型。我们通过模拟结果表明,惩罚LMM和逻辑斯谛回归与PC调整未能正确选择重要的预测因子和/或预测精度下降的二元响应时,相关性矩阵的维数是高的pglmm相比。此外,我们通过分析英国生物银行数据中的两个多基因二元性状证明,我们的方法可以实现更高的预测性能,同时也选择了比稀疏正则化逻辑套索与PC调整更少的预测因子。我们的方法可以作为Julia包PenalizedGLMM. jl使用。
2022-06-24 stat.AP stat.ME
High-Dimensional Adaptive Function-on-Scalar Regression
近年来,具有大量预测因子的功能数据的应用急剧增长,部分原因是基因分型技术的快速发展。鉴于遗传关联研究中遇到的大量基因突变,更充分地利用数据的底层结构的统计方法对于最大化统计功效至关重要。然而,目前在具有大量预测因子的函数数据中的工作非常有限。在具有函数结果和大量标量预测因子的函数线性模型中,给出了用于同时变量选择和参数估计的工具;该技术被称为用于$\textit{Adaptive Function-on-Scalar Lasso}.$的AFSL。它演示了如何使用来自希尔伯特空间上的凸分析的技术来建立用于任何实可分希尔伯特空间上的AFSL的预言性质的函数形式,即使当预测器的数量,与样本量$N$相比,$I$呈指数级增大。AFSL通过模拟研究和来自儿童哮喘管理项目(CAMP)的数据来说明,选择那些对肺生长重要的基因突变。
2016-10-24 math.ST stat.TH
Determination of Nonlinear Genetic Architecture using Compressed Sensing
我们介绍了一种统计方法,可以重建非线性遗传模型(即,包括上位性或基因-基因相互作用)。的计算和数据资源的要求是类似的线性遗传模型(或基因性状协会的识别)的重建所需的,假设广义稀疏的条件,这限制了基因-基因相互作用的总数。稀疏非线性模型的一个例子是一个典型的轨迹与几个甚至许多其他的相互作用,但只有一小部分的所有可能的相互作用存在。似乎大多数遗传结构都属于这一类。我们的方法使用压缩传感(L1-惩罚回归)的泛化应用于传感矩阵的非线性函数。我们给出的理论参数表明,该方法是近最佳的性能,并证明其有效性广泛的类的非线性遗传模型,使用真实的和模拟的人类基因组。
2015-07-19 q-bio.GN stat.AP
A Multivariate Regression Approach to Association Analysis of Quantitative Trait Network
许多复杂的疾病综合征,如哮喘,包括大量的高度相关的,而不是独立的,临床表型,提出了一个新的技术挑战,在确定同时与相关性状相关的遗传变异。在这项研究中,我们提出了一个新的统计框架,称为图形引导融合套索(GFlasso),以原则性的方式解决这个问题。我们的方法明确表示的依赖结构之间的数量性状作为一个网络,并利用这个性状网络编码结构化的正则化在一个多元回归模型的基因型和性状,使遗传标记,共同影响亚组的高度相关的性状可以检测到高灵敏度和特异性。虽然大多数传统的方法独立地检查每个表型,然后将结果结合起来,但我们的方法在一个单一的统计方法中共同分析所有性状,并借用相关表型之间的信息来发现共同干扰相关triats子集而不是单个性状的遗传标记。使用基于HapMap联盟数据和哮喘数据集的模拟数据集,我们比较了我们的方法与单标记分析的性能,以及其他稀疏回归方法,如岭回归和套索,不使用任何结构信息的性状。我们的研究结果表明,有一个显着的优势,在检测真正的因果SNPs时,我们将相关模式的性状,使用我们提出的方法。
2008-11-13 q-bio.GN q-bio.MN q-bio.QM
An evolutionary approach for discovering non-Gaussian stochastic dynamical systems based on nonlocal Kramers-Moyal formulas
School of Automation, Nanjing University of Science and Technology(南京理工大学自动化学院);Great Bay University(大湾区大学)
本文提出演化符号稀疏回归方法,结合非局部Kramers-Moyal公式、遗传编程与稀疏回归,从样本路径数据中提取含高斯和非高斯噪声的随机动力系统,并通过多个示例模型验证其有效性。
2024-09-29 cs.LG cs.NE math.DS
Using distance covariance for improved variable selection with applications to genetic risk models
在许多科学领域中,变量选择对于解决高维问题越来越重要。在本文中,我们证明了距离协方差的属性,它被纳入一个新的功能筛选过程中使用的距离相关。该方法没有分布假设的变量,不需要规范的回归模型,因此是特别有吸引力的变量选择给定的候选属性的数量巨大,而没有太多的信息与响应的真实模型。该方法被应用到两个遗传风险问题,其中问题包括通过交叉验证变量选择的不确定性,分组的难以分类的情况下,拒绝选项的应用进行了讨论。
2014-09-02 stat.ME
Expectile Neural Networks for Genetic Data Analysis of Complex Diseases
常见疾病的遗传病因是高度复杂和异质性的。经典的统计学方法,如线性回归,已经成功地识别了许多与复杂疾病相关的遗传变异。尽管如此,对于大多数复杂的疾病,已确定的变异只占遗传性的一小部分。挑战仍然是发现导致复杂疾病的其他变异。期望回归是线性回归的推广,并提供有关感兴趣表型的条件分布的完整信息。虽然预期回归具有许多良好的特性,并且在遗传数据分析中具有很大的前景(例如,调查易诱发高危人群的遗传变异),很少用于遗传研究。在本文中,我们开发了一个预期的神经网络(ENN)方法的遗传数据分析的复杂疾病。与预期回归相似,ENN提供了遗传变异和疾病表型之间关系的全面视图,并可用于发现易感亚群的遗传变异(例如,高危人群)。我们进一步将神经网络的思想整合到ENN中,使其能够捕获非线性和非加性遗传效应(例如,基因-基因相互作用)。通过模拟,我们表明,当遗传变异和疾病表型之间存在复杂的关系时,所提出的方法优于现有的预期回归。我们还将所提出的方法应用于成瘾研究:遗传学与环境(SAGE)的遗传数据,调查候选基因与吸烟量的关系。
2020-10-26 stat.AP stat.ML
Statistical Inference for Genetic Relatedness Based on High-Dimensional Logistic Regression
研究了基于个体水平全基因组关联数据的二元性状间遗传相关性的统计推断问题。具体而言,在高维逻辑斯谛回归模型下,我们定义了表征性状间遗传相关、遗传协方差和性状特异性遗传方差的参数。提出了一种新的加权去偏方法,并给出了计算效率较高的去偏估计。研究了这些估计的收敛速度,并在较弱的条件下证明了它们的渐近正态性。此外,我们构造了这些参数的置信区间和统计检验,并提供了理论依据的方法,包括覆盖概率和预期长度的置信区间,以及拟议的测试的大小和功效。在模型生成数据和模拟遗传数据下进行了数值研究,以显示所提出的方法的优越性。通过分析自身免疫性疾病的真实数据集,我们证明了它能够获得关于10种儿科自身免疫性疾病之间共享遗传结构的新见解。
2022-10-05 math.ST stat.AP stat.ME
Spatio-temporal Functional Regression on Paleo-ecological Data
气候对生物多样性的影响是一个重要的生态学问题。各种理论试图将气候变化与等位基因丰富度联系起来,从而预测全球变暖对遗传多样性的影响。我们在欧洲山毛榉林的遗传多样性和温度和降水量的花粉数据库重建曲线之间的关系建模。我们的模型通过线性函数回归将遗传测量与气候曲线联系起来。假设气候变量的相互作用是双线性的。由于数据是地理参考的,我们的方法考虑了观测之间的空间依赖性。这些扩展的实际问题进行了讨论。
2008-07-16 stat.AP
Combining isotonic regression and EM algorithm to predict genetic risk under monotonicity constraint
在某些遗传学研究中,临床医生和遗传咨询师对估计具有和不具有罕见有害突变的个体的疾病累积风险感兴趣。然而,当估计是基于家族史数据时,估计累积风险是困难的。通常情况下,许多家庭成员的基因突变状态是未知的;相反,只有估计的概率,病人有一定的突变状态。此外,疾病发作的年龄受到右删失。现有的方法来估计累积风险,使用这种基于家庭的数据只提供估计在个别时间点,并不能保证是单调或非负的。在本文中,我们开发了一种新的方法,结合期望最大化和保序回归估计整个支持的累积风险。我们的估计是单调的,满足自洽的估计方程,并有很高的权力,在检测不同人群的累积风险之间的差异。应用我们的估计帕金森病(PD)的研究提供了帕金森病在PARK 2突变携带者和非携带者的发病年龄分布,并揭示了一个显着差异的分布在复合杂合子携带者相比,非携带者,但不是杂合子携带者和非携带者之间。
2014-07-31 stat.AP
Efficient Construction of Test-Inversion Confidence Intervals Using Quantile Regression, With Application To Population Genetics
现代统计学中的问题往往包括高计算复杂性和复杂分布的估计。对此类估计量的统计推断通常依赖于渐近正态性假设,然而,由于数据的依赖性和其他原因,此类假设通常不适用于可用的样本量。一种常见的替代方法是使用重新采样程序,如自举,但这些可能是计算密集的程度,使他们不切实际的现代问题。本文提出了一种快速构造检验反演自举置信区间的方法。我们的方法使用分位数回归来模拟的分位数的估计条件的参数的真实值,我们将其应用于Watterson估计的突变率在一个标准的合并模型。我们证明了使用分位数回归相比,最先进的方法的基础上随机逼近,以达到可比的精度所需的模拟的数量来衡量,提高效率高达40%。
2016-12-07 stat.AP stat.ME
A Bayesian Group Sparse Multi-Task Regression Model for Imaging Genetics
动机:脑成像和高通量基因分型技术的最新进展促使研究检查遗传变异对脑结构的影响。Wang等人(Bioinformatics,2012)已经开发了一种用于分析成像基因组研究的方法,该方法使用基于新的组$l_{2,1}$ -范数惩罚的具有正则化的惩罚多任务回归,该惩罚鼓励基因水平和SNP水平的结构化稀疏性。虽然结合了一些有用的功能,所提出的方法只提供了一个点估计的回归系数,进行统计推断的技术不提供。本文提出了一种新的贝叶斯方法来克服这一局限性。结果如下:我们开发了一种贝叶斯分层建模公式,其中后验模式对应于Wang等人提出的估计量(Bioinformatics,2012),以及一种允许完整后验推断的方法,包括构建回归参数的区间估计。我们表明,所提出的分层模型可以表示为一个三级高斯尺度的混合物,这种表示有利于使用一个吉布斯抽样算法后验模拟。仿真研究表明,使用我们的方法获得的区间估计达到足够的覆盖概率,优于那些从非参数自举。我们提出的方法被应用于分析的神经影像学和遗传数据收集的阿尔茨海默氏病神经影像学倡议(ADNI)的一部分,ADNI队列的分析清楚地表明,将区间估计超出只有点估计的价值增加时,单核苷酸多态性脑成像内表型。
2016-10-17 stat.AP stat.ME stat.ML
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
Identifying Genetic Variants for Obesity: A Knowledge Integration Quantile Regression (KIQR) Approach for Ultra-High-Dimensional Data
Xavier University(泽维尔大学);City University of Hong Kong(香港城市大学);University of Cincinnati(辛辛那提大学);University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);Yale University(耶鲁大学)
本文提出KIQR方法,通过整合先验知识,识别肥胖相关遗传变异,发现新的基因关联,改进传统GWAS的局限性。
2026-03-30 stat.AP stat.ME
Assessing Selection Bias in Regression Coefficients Estimated from Non-Probability Samples, with Applications to Genetics and Demographic Surveys
选择偏差是一个严重的潜在问题,推理的关系,科学利益的基础上没有明确的概率抽样机制的样本。受潜在选择偏倚的影响,(a)在志愿者遗传研究中多基因评分(PGS)与表型的估计关系,以及(b)在智能手机用户调查中亚组平均值的估计差异,我们推导出新的选择偏倚测量方法,用于估计线性和概率回归模型中拟合非概率样本的系数,当所选样本和目标人群的总体辅助数据可用时。这些措施产生于正常模式混合模型,允许分析师检查他们的推断的敏感性,在这些样本中的非一致性选择的假设。我们在模拟研究中检查了所提出的措施的有效性,然后使用它们来量化选择偏差:(a)在通过Facebook招募的志愿者的大型研究中估计的PGS-phenotype关系,以及(b)在低学历智能手机用户的非概率样本中估计的过去一年平均就业时间的亚组差异。我们评估这些应用程序中使用的基准估计大概率样本的措施的性能。
2021-03-08 stat.AP stat.ME
Variable Prioritization in Nonlinear Black Box Methods: A Genetic Association Case Study
本文的主要目的是解决非线性和非参数回归中的变量选择问题。受统计遗传学的启发,其中非线性相互作用特别感兴趣,我们引入了一种新的和可解释的方式来总结预测变量的相对重要性。在方法上,我们开发了“相对中心性”(RATE)度量,以优先考虑候选遗传变异,这些变异不仅是微不足道的,而且其关联也源于与数据中其他变异的显著共变关系。我们通过贝叶斯高斯过程回归说明RATE,但方法上的创新适用于其他“黑箱”方法。已知非线性模型通常比线性模型表现出更高的预测准确性,特别是对于由复杂遗传结构产生的表型。通过详细的模拟和两个真实数据关联映射研究,我们表明,应用RATE可以解释这种改进的性能。
2018-08-27 q-bio.QM stat.AP stat.ME
Selection of training populations (and other subset selection problems) with an accelerated genetic algorithm (STPGA: An R-package for selection of training populations with a genetic algorithm)
Michigan State University(密歇根州立大学)
最优子集选择是一个重要的任务,有许多算法为它设计,并有许多应用领域。STPGA包含一种特殊的遗传算法,该算法补充了禁忌记忆属性(跟踪先前尝试的解决方案及其多次迭代的适应度),并对解决方案编码的适应度进行回归,用于形成理想的估计解决方案(前瞻性),以搜索通用最优子集选择问题的解决方案。我已经初步开发了用于选择基因组预测或关联问题的训练群体的特定问题的程序,因此我讨论了最优实验设计背后的理论,以解释STPGA中的默认优化标准,并说明程序在这方面的用途。尽管如此,我还是选择了一些其他的应用领域:基于核比对的监督和非监督变量选择,有设计标准的监督变量选择,回归的有影响力的观察识别,解决混合整数二次优化问题,平衡育种群体中的增益和近亲繁殖。其中一些说明涉及新的统计方法。
2017-02-26 cs.LG q-bio.GN q-bio.QM
High-dimensional statistical inference for linkage disequilibrium score regression and its cross-ancestry extensions
本文在固定效应数据整合框架下研究连锁不平衡得分回归(LDSC),分析其性能关键因素,揭示其在全基因组变异分析中渐近正态性的可行性与子集分析的挑战,扩展至跨祖先分析并通过真实数据验证。
2025-04-15 math.ST stat.AP stat.ME
Understanding the population structure correction regression
虽然复杂性状的全基因组关联研究(GWAS)已经取得了巨大的成功,但目前领先的GWAS方法只是针对每个遗传变异分别测试每个基因型-表型关联。奇怪的是,当考虑整个遗传变异的联合模型时,使用这些方法的统计特性是未知的。在这里,我们推进GWAS在理解的“人口结构校正”(PSC)的方法,在GWAS的标准单变量方法的统计特性。我们进一步提出并分析了PSC方法的校正,称为“校正人口校正”(CPC)。结合理论结果,数值模拟表明,CPC总是可比或优于PSC,在某些特殊情况下显着改善。
2021-08-12 q-bio.QM stat.AP stat.ME
Nonparametric Reduced-Rank Regression for Multi-SNP, Multi-Trait Association Mapping
全基因组关联研究已被证明对于理解疾病的遗传基础至关重要。然而,许多复杂的特征-人格特征,面部特征,疾病亚型-本质上是高维的,阻碍了简单的关联映射方法。我们开发了一个非参数贝叶斯降秩回归模型的多SNP,多性状关联映射,不需要指定的线性子空间的排名。我们在模拟和真实数据中表明,我们的模型在SNP和相关性状上具有优势,提高了统计功效,以识别与高维表型的可解释的SNP监督的低维线性投影的遗传关联。在HapMap第3阶段基因表达QTL研究数据上,我们鉴定了多效表达QTL,这些QTL是经典单变量检验发现的效力不足的,并且两步方法不能恢复。我们的Python软件BERRRI在GitHub上公开提供:https://github.com/ashlee1031/BERRRI。
2015-12-08 q-bio.GN stat.AP stat.ML
A Global Homogeneity Test for High-Dimensional Linear Regression
本文的动机是基于微阵列样本的遗传网络的比较。目的是测试两个推断的高斯图形模型之间观察到的差异是否来自实际差异或估计的不确定性。采用邻域方法,考虑了随机设计的两样本线性回归模型,给出了检验这两个回归是否相同的方法。依赖于多个测试和变量选择策略,我们开发了一个测试程序,适用于高维设置,协变量$p$的数量大于两个样本的观测数$n_1$和$n_2$。第一类和第二类错误显式控制从非渐近的角度来看,并证明了测试是极大极小自适应稀疏。测试的性能进行了评估模拟数据。此外,我们说明了如何使用这个程序来比较赫斯\emph{et al}乳腺癌微阵列数据集的遗传网络。
2014-06-19 math.ST stat.AP stat.ME
Global solar irradiation prediction using a multi-gene genetic programming approach
在本文中,一个非线性符号回归技术,使用称为多基因遗传编程(MGGP)的进化算法应用于数据驱动的模型之间的依赖和独立的变量。该技术适用于模拟测量的全球太阳辐射,并通过数值模拟验证。所提出的建模技术显示出改进的结果,模糊逻辑和人工神经网络(ANN)为基础的方法,试图由当代研究人员。这里提出的方法的结果在非线性的解析表达式,不像那些与神经网络,这基本上是一个黑箱建模方法。从建模的角度来看,这种额外的灵活性是一个优势,有助于识别影响预测的重要变量。由于该算法的进化性质,它能够摆脱局部最小值,并收敛到全局最优值,这与用于训练神经网络的反向传播(BP)算法不同。这导致了比当代研究人员使用神经网络获得的更好的百分比拟合。对得到的遗传编程(GP)结果进行了保留交叉验证,结果表明该方法对新数据具有较好的推广性,且不会过拟合训练样本。多基因GP的结果进行了比较,使用其单基因版本,也与四个经典的回归模型,以显示所采用的方法的有效性相同。
2014-03-03 cs.CE cs.NE stat.AP