bayesNMF：基于自动学习秩的快速贝叶斯泊松非负矩阵分解及其在突变签名分析中的应用
统计方法学
2026-03-31 v3
摘要
贝叶斯泊松非负矩阵分解（NMF）广泛用于建模计数数据，包括癌症突变签名分析。然而，标准Gibbs抽样器依赖计算昂贵的泊松增广，现有软件实现要么通过缓慢且可能主观的秩选择学习隐式秩，要么采用自动方法且不报告后验不确定性。本文介绍bayesNMF，一种用于解决这两种局限性的MH在Gibbs抽样器中。首先，我们定义高重叠提议，以 Metropolis-Hastings 采样以消除泊松增广的需求。其次，我们定义基于BIC的稀疏先验，在贝叶斯框架内自动学习秩，同时允许后验不确定性量化。我们提供了一个开源R软件包，展示了本文中所有模型和绘图功能，可在GitHub上获取：jennalandy/bayesNMF。虽然我们的应用聚焦于癌症突变签名，但我们的软件和结果可扩展到任何贝叶斯泊松NMF的用途。
引用
@article{arxiv.2502.18674,
title = {bayesNMF: Fast Bayesian Poisson NMF with Automatically Learned Rank Applied to Mutational Signatures},
author = {Jenna M. Landy and Nishanth Basava and Giovanni Parmigiani},
journal= {arXiv preprint arXiv:2502.18674},
year = {2026}
}
备注
16 pages, 4 figures (+ references and supplement). For open-source R software package, see https://github.com/jennalandy/bayesNMF. For all code used in the simulation studies and data application, see https://github.com/jennalandy/bayesNMF_PAPER