压缩贝叶斯非负矩阵分解用于突变特征分析
统计方法学
2025-02-18 v2
摘要
非负矩阵分解（NMF）广泛应用于降维。推断NMF的适当因子数量是一个挑战，已有基于信息准则或稀疏诱导先验的方法。然而，这些模型中的推理通常复杂且计算困难。本文提出了一种新颖的过拟合贝叶斯NMF方法，使用“压缩超先验”，将不需要的因子压缩到可忽略值，同时仅对需要的因子施加轻微收缩。该方法基于使用简单半共轭先验以方便推理，并以数据依赖方式设置超先验强度以实现压缩性质。我们将该方法应用于癌症基因组学中的突变特征分析，发现其优于现有最先进方法。特别地，我们展示了压缩超先验如何允许在特征上使用生物学信息先验，显著提高准确性。我们提供了后验及其集中性的理论结果，并在模拟和真实癌症数据上演示了该方法。
引用
@article{arxiv.2404.10974,
title = {Compressive Bayesian non-negative matrix factorization for mutational signatures analysis},
author = {Alessandro Zito and Jeffrey W. Miller},
journal= {arXiv preprint arXiv:2404.10974},
year = {2025}
}