用于泛组学泛癌分析的二维关联矩阵分解

若干现代应用需要整合多个具有共享行和/或列的大型数据矩阵。例如，整合多种组学平台与多种癌症类型的癌症研究，即泛组学泛癌分析，已使我们对分子异质性的认识超越单一肿瘤与单一平台研究中所观察到的内容。然而，这些研究受限于可用的统计方法。我们提出一种灵活的方法，用于对此类二维关联矩阵进行同步分解与变异性分解，称为 BIDIFAC+。该方法将变异性分解为一系列低秩成分，这些成分可在任意数量的行集（如组学平台）或列集（如癌症类型）之间共享。这建立在日益增多的关联矩阵分解与变异性分解文献基础之上，而后者主要聚焦于仅在一维（行或列）上关联的多个矩阵。我们的目标函数扩展了核范数惩罚，由随机矩阵理论所驱动，在相对温和的条件下给出可识别的分解，并可证明给出贝叶斯后验分布的模。我们将 BIDIFAC+ 应用于来自 TCGA 的泛组学泛癌数据，识别出跨越 4 种不同组学平台与 29 种不同癌症类型的共享与特异性变异性模式。