用于从高通量测序数据推断遗传网络的对数线性图模型
应用统计
2012-05-30 v2
摘要
高斯图模型常用于基于微阵列表达数据推断基因网络。然而，许多科学家已开始使用高通量测序技术来测量基因表达。由于由此产生的高维计数数据由每个基因的测序读段计数组成，高斯图模型并不适合基于此类离散数据对基因网络进行建模。我们开发了一种估计高维泊松图模型的新方法，即对数线性图模型，使我们能够基于高通量测序数据推断网络。我们的模型假设成对马尔可夫性质：在给定所有其他变量的条件下，每个变量服从泊松分布。我们通过拟合 1-范数惩罚的对数线性模型，利用邻域选择 locally 估计我们的模型。此外，我们开发了一种快速并行算法，我们称之为泊松图套索（Poisson Graphical Lasso），使我们能够将图模型拟合到高维基因组数据集。在模拟中，我们展示了我们的方法从计数数据恢复网络结构的有效性。关于乳腺癌 microRNA 的案例研究（图模型的一种新颖应用）发现了已知的乳腺癌基因调控因子，并发现了作为未来研究目标的新型 microRNA 簇和枢纽。
引用
@article{arxiv.1204.3941,
title = {A Log-Linear Graphical Model for Inferring Genetic Networks from High-Throughput Sequencing Data},
author = {Genevera I. Allen and Zhandong Liu},
journal= {arXiv preprint arXiv:1204.3941},
year = {2012}
}