BLOG：带组约束的贝叶斯纵向组学

临床研究者对从短期纵向组学数据集中发现计算生物标志物越来越感兴趣。本工作专注于纵向组学数据集的贝叶斯回归和变量选择，这可以量化不确定性并控制错误发现。在我们的单变量方法中，Zellner的$g$先验与调整参数$g$的两种不同选项一起使用：$g=\sqrt{n}$和最小化Stein无偏风险估计（SURE）的$g$。贝叶斯因子用于量化不确定性并控制错误发现。在多变量方法中，我们使用带有尖峰和平板先验的贝叶斯组LASSO进行组变量选择。在这两种方法中，我们都使用纵向预测变量和响应的一阶差分（$\Delta$）尺度。这些方法协同工作，以增强我们对生物标志物识别的理解，改进推断和预测。我们在模拟数据和来自结核病（TB）研究的代谢物生物标志物选择的真实数据上，将我们的方法与常用的线性混合效应模型进行了比较。通过超参数的自动选择，Zellner的$g$先验方法在各种模拟和真实数据场景中，以高特异性和灵敏度正确识别了目标代谢物。多变量贝叶斯Group Lasso尖峰和平板方法也在各种模拟场景中正确选择了目标代谢物。