面向复制数变异检测实验室特定性能保证的贝叶斯与频率学推断结合
统计方法学
2026-04-17 v1 机器学习
基因组学
应用统计
摘要
靶向扩增面板在肿瘤诊断中广泛应用，但为复制数变异(CNV)检测提供逐基因的性能保证仍具有挑战性，由于扩增器官器件、工艺-不匹配异质性以及有限的验证样本数。虽然贝叶斯CNV调用器天然定量化单样本的不确定性，但将其转化为临床验证所需的频率学人口水平保证——覆盖率、假阳性界限以及最小可检测复制数变化——是一个根本不同的推断问题。我们通过实证研究表明，即使是鲁棒的贝叶斯可信区间，包括细化后后验分布和夹夹调整区间，在靶向扩增面板上每个基因的扩增子数较少时，严重失配。为此，我们提出一种混合框架，对验证样本上的贝叶斯后验函数进行评估，并以Gamma分布建模其平方损失，从而获得具有有效频率学覆盖率的容忍区间。该方法在实际条件下具有三个实用组件：(1) 不要求已知真实 ground truth 的插值，消除CNV阳性样本的影响；(2) 正则化以解决小样本波动；(3) 基于对数模型证据证据的证据驱动分层，以适应源自工艺不匹配的非交换性噪声轮廓。在两个靶向扩增面板上进行leave-one-out交叉验证评估，所提方法在所有基因上实现了单位数的平均绝对覆盖误差，无论是匹配工艺还是不匹配条件；而贝叶斯比较器在ERBB2等临床相关基因上表现出超过60%的平均绝对误差。
引用
@article{arxiv.2604.14305,
title = {Combining Bayesian and Frequentist Inference for Laboratory-Specific Performance Guarantees in Copy Number Variation Detection},
author = {Austin Talbot and Alex V. Kotlar and Yue Ke},
journal= {arXiv preprint arXiv:2604.14305},
year = {2026}
}