一种用于惩罚化混合效应多任务学习的通用框架及其在DNA甲基化替代生物标志物构建中的应用
应用统计
2023-02-28 v3
摘要
近期证据凸显了DNA甲基化（DNAm）生物标志物作为流行病学研究与随机试验中非传染性疾病风险因子暴露替代物的有用性。DNAm 变异性已被证明与生活方式行为及环境风险因子暴露紧密关联，最终提供个体健康状态的无偏代理。目前，DNAm 替代物的构建依赖于单变量惩罚回归模型，其中弹性网络（elastic-net）正则化器是完成该任务的黄金标准。然而，在存在具有结构化依赖模式的多变量结局及研究样本时，需要更先进的建模流程。本文中，我们提出一种在高维预测变量存在下进行混合效应多任务学习的通用框架，以从多中心研究开发多变量 DNAm 生物标志物。我们设计了一种基于期望最大化算法的惩罚估计方案，其中固定效应模型的任意惩罚准则均可方便地纳入拟合过程。我们将所提方法应用于构建针对心血管疾病及共病的多个相关风险因子的新型 DNAm 替代生物标志物。我们表明，所提方法通过联合建模多个结局，无论在预测能力还是结果的生物分子解释上均优于最先进的替代方法。
引用
@article{arxiv.2112.12719,
title = {A general framework for penalized mixed-effects multitask learning with applications on DNA methylation surrogate biomarkers creation},
author = {Andrea Cappozzo and Francesca Ieva and Giovanni Fiorito},
journal= {arXiv preprint arXiv:2112.12719},
year = {2023}
}