BLOCCS：块稀疏典型相关分析及其在可解释组学整合中的应用
机器学习
2020-01-22 v2 机器学习
摘要
我们引入块稀疏典型相关分析，其一次性估计多对典型方向（共同构成一个“块”），从而显著改善稀疏方向的正交性，我们证明这转化为更具可解释性的解。我们的方法建立在 (Solari, Brown, and Bickel 2019) 的稀疏 CCA 方法之上，即我们也将块形式的双凸目标表达为单位欧几里得球中正交 k-标架上的凹最小化问题，而由于目标的凹性，该问题被收缩至 Stiefel 流形，并通过梯度下降算法优化。我们的模拟表明，我们的方法在计算成本和稳定性上优于现有的 sCCA 算法与实现，这主要归因于我们搜索空间的急剧收缩，以及所估计典型协变量对内的相关性与对间的正交性。最后，我们将我们的方法（作为名为 BLOCCS 的 R 包提供）应用于通过 The Cancer Genome Atlas 获得的肺鳞状细胞癌（LUSC）多组学数据，并展示其在捕捉与所研究假设相关的有意义生物关联而非虚假主导变异方面的能力。
引用
@article{arxiv.1909.07944,
title = {BLOCCS: Block Sparse Canonical Correlation Analysis With Application To Interpretable Omics Integration},
author = {Omid Shams Solari and Rojin Safavi and James B. Brown},
journal= {arXiv preprint arXiv:1909.07944},
year = {2020}
}
备注
8 pages