一种用于识别纳米颗粒特性对毒性特征影响的贝叶斯回归树方法
应用统计
2015-06-02 v1
摘要
我们引入一种贝叶斯多重回归树模型，以表征纳米颗粒的理化性质与其在多个剂量和暴露时间下的体外毒性之间的关系。与依赖数据摘要的传统模型不同，我们的模型通过结合来自一般暴露实验的跨剂量、暴露时间和重复测量的所有测量值，解决了小样本量问题并避免了任意的信息损失。所提出的技术集成了用于建模阈值效应和交互作用的贝叶斯树，以及用于剂量和时间响应曲面平滑的惩罚性B样条。所得后验分布通过马尔可夫链蒙特卡罗进行采样。该方法允许对纳米毒理学实质研究中一些潜在感兴趣的变量进行推断，例如理化性质的重要性及其对毒性的边际效应。我们通过对24种纳米金属氧化物库的分析说明了我们方法的应用。
引用
@article{arxiv.1506.00403,
title = {A Bayesian regression tree approach to identify the effect of nanoparticles' properties on toxicity profiles},
author = {Cecile Low-Kam and Donatello Telesca and Zhaoxia Ji and Haiyuan Zhang and Tian Xia and Jeffrey I. Zink and Andre E. Nel},
journal= {arXiv preprint arXiv:1506.00403},
year = {2015}
}
备注
Published at http://dx.doi.org/10.1214/14-AOAS797 in the Annals of Applied Statistics (http://www.imstat.org/aoas/) by the Institute of Mathematical Statistics (http://www.imstat.org)