基于图结构变量选择先验的贝叶斯Cox模型用于多组学生物标志物识别
统计方法学
2025-10-02 v1 基因组学
应用统计
机器学习
摘要
癌症研究中的一个重要目标是基于最少的基因组和分子标记（如基因或蛋白质）面板对患者进行生存预后。纯数据驱动的模型若没有任何生物学知识，可能产生不可解释的结果。我们提出了一种带图结构选择先验的惩罚半参数贝叶斯 Cox 模型，通过利用生物学上有意义的图——即通过马尔可夫随机场（MRF）先验来捕捉多组学特征之间的已知关系——实现多组学特征的稀疏识别。由于 MRF 先验中的固定图仅作用于先验概率分布，它并非变量选择的硬约束，因此所提出的模型可以验证已知信息，并具有识别新的和新型生物标志物以获取新生物学知识的潜力。我们的模拟结果表明，所提出的带图先验知识的贝叶斯 Cox 模型在变量选择方面比无任何先验知识、独立建模协变量的方法更可靠、更稳定，且生存预测能力不劣。结果还表明，所提出模型的性能对 MRF 先验中部分正确的图具有鲁棒性，这意味着在真实场景中并非所有协变量之间的真实网络信息都已知时，该图仍然有用。所提出的模型应用于癌症基因组图谱项目中原发性浸润性乳腺癌患者数据。
引用
@article{arxiv.2503.13078,
title = {Bayesian Cox model with graph-structured variable selection priors for multi-omics biomarker identification},
author = {Tobias Østmo Hermansen and Manuela Zucknick and Zhi Zhao},
journal= {arXiv preprint arXiv:2503.13078},
year = {2025}
}