学习药物敏感性中的复合局部低秩结构
应用统计
2022-08-26 v2
摘要
通过不同类型或模态（如基因表达、突变、CpG 甲基化）的多组学数据集对肿瘤样本进行分子表征，已成为评估个体药物及其组合预期疗效的宝贵信息来源。融合来自组学数据模态的相关信息，为确定特定癌症患者的合适疗法提供了统计基础。不同数据模态可能各自具有需在推断中加以考虑的特定结构。本文中，我们假设每个组学数据模态具有仅含少数影响预测的相关特征的低秩结构，并提议使用复合局部核范数惩罚来学习药物敏感性。数值结果表明，相较于全局低秩方法或弹性网络回归，复合低秩结构能提升预测性能。
引用
@article{arxiv.1905.00095,
title = {Composite local low-rank structure in learning drug sensitivity},
author = {The Tien Mai and Leiv Rønneberg and Zhi Zhao and Manuela Zucknick and Jukka Corander},
journal= {arXiv preprint arXiv:1905.00095},
year = {2022}
}