用于聚类和关联网络推断的集成方法

高维高斯图模型提供了一种严谨的框架来描述实体（如基因组调控研究中的基因或生态学中的物种）之间的统计依赖网络。惩罚方法，包括标准的 Graphical-Lasso，已是推断这些模型参数的众所周知的方法。随着模型中变量（网络中实体）数量的增长，网络推断和解释变得更加复杂。引入 Normal-Block 模型，这是一种新模型，对变量进行聚类并在聚类层面上考虑网络。Normal-Block 同时为网络添加结构并减小其规模。该方法基于 Graphical-Lasso 在网络边缘上添加惩罚，以限制虚假依赖的检测。还提出了该模型的零膨胀版本，以考虑实际数据特性。在推断程序中，引入了两种方法：一种基于最新方法的直观方法，以及一种更严谨的方法，同时推断变量的聚类及其之间聚类间关联网络，使用惩罚变分期望最大化方法。该模型在 R 中的实现，名为 \textbf{normalblockr} 的软件包，已可在 github 上获取\footnote{https://github.com/jeannetous/normalblockr}。本文展示了该模型在聚类和网络推断方面的结果，分别使用模拟数据和 various types of real-world data（蛋白质组学和网页上的词汇出现）。