网络构建的 Bootstrap 推断及其在乳腺癌微阵列研究中的应用
统计方法学
2013-04-24 v2 应用统计
摘要
高斯图模型（GGMs）已被用于构建基因调控网络，其中正则化技术被广泛使用，因为网络推断通常属于高维低样本量场景。然而，寻找合适的正则化量可能具有挑战性，特别是在无监督环境中，传统方法如 BIC 或交叉验证通常效果不佳。在本文中，我们提出了一种新方法——网络构建的 Bootstrap 推断（BINCO），通过直接控制所选边的错误发现率（FDR）来推断网络。该方法对边选择频率的分布拟合混合模型以估计 FDR，其中选择频率通过模型聚合计算得出。该方法适用于网络构建之外的广泛领域。当我们将所提方法应用于利用微阵列表达乳腺癌数据构建基因调控网络时，我们能够识别出高置信度的边和连接良好的 hub 基因，这些基因可能在理解乳腺癌潜在的生物学过程中发挥重要作用。
引用
@article{arxiv.1111.5028,
title = {Bootstrap inference for network construction with an application to a breast cancer microarray study},
author = {Shuang Li and Li Hsu and Jie Peng and Pei Wang},
journal= {arXiv preprint arXiv:1111.5028},
year = {2013}
}
备注
Published in at http://dx.doi.org/10.1214/12-AOAS589 the Annals of Applied Statistics (http://www.imstat.org/aoas/) by the Institute of Mathematical Statistics (http://www.imstat.org)