用于高维测序数据分析的基于核的神经网络检验
机器学习
2023-12-07 v2 机器学习
统计方法学
摘要
人工智能（AI）技术的最新发展，尤其是深度神经网络（DNN）技术的进步，已经彻底改变了许多领域。尽管 DNN 在现代 AI 技术中扮演着核心角色，但由于高维测序数据带来的挑战（例如过拟合），它很少被用于测序数据分析。此外，由于神经网络的复杂性及其未知的极限分布，在神经网络上构建用于遗传关联分析的关联检验仍然是一个巨大的挑战。为了应对这些挑战并填补 AI 在高维测序数据分析中的重要空白，我们引入了一种新的基于核的神经网络（KNN）检验，用于测序数据的复杂关联分析。该检验建立在我们先前开发的 KNN 框架之上，该框架使用随机效应来建模高维遗传数据的整体效应，并采用基于核的神经网络结构来建模复杂的基因型-表型关系。基于 KNN，随后引入了 Wald 型检验，以在考虑非线性和非加性效应（例如交互效应）的情况下，评估高维遗传数据与感兴趣的疾病表型的联合关联。通过模拟，我们证明了与序列核关联检验（SKAT）相比，我们提出的方法获得了更高的功效，特别是在存在非线性和交互效应的情况下。最后，我们将该方法应用于来自阿尔茨海默病神经影像学计划（ADNI）研究的全基因组测序（WGS）数据集，研究了与海马体体积随时间变化相关的新基因。
引用
@article{arxiv.2312.02850,
title = {A Kernel-Based Neural Network Test for High-dimensional Sequencing Data Analysis},
author = {Tingting Hou and Chang Jiang and Qing Lu},
journal= {arXiv preprint arXiv:2312.02850},
year = {2023}
}
备注
31 pages, 5 figures and 3 tabels