利用lasso回归p值控制贝叶斯基因网络中的错误发现
统计方法学
2018-03-29 v2 分子网络
定量方法
应用统计
摘要
贝叶斯网络能够表示定向基因调控，因此优于共表达网络。然而，几乎没有任何贝叶斯网络研究关注网络边的错误发现控制（FDC），由于同一研究中不一致的错误发现水平导致的系统偏差，造成了较低的准确性。我们设计了四种经验检验，以考察来自三种基于p值的lasso回归变量选择的贝叶斯网络的FDC——其中两种为已有方法，一种为我们提出的方法。我们的方法lassopv计算预测变量开始对lasso回归产生贡献时的临界正则化强度的p值。利用空数据集和Geuvadis数据集，我们发现lassopv在贝叶斯基因网络中获得了最优的FDC，而现有方法具有有缺陷的p值。FDC概念和检验可扩展至大多数网络推断场景，并将指导新旧方法的设计与改进。我们这种新颖的带lasso回归的变量选择方法也允许在其他数据集和问题上进行FDC，甚至超越网络推断与计算生物学。Lassopv以R语言实现，并免费发布于 https://github.com/lingfeiwang/lassopv 和 https://cran.r-project.org/package=lassopv
引用
@article{arxiv.1701.07011,
title = {Controlling false discoveries in Bayesian gene networks with lasso regression p-values},
author = {Lingfei Wang and Tom Michoel},
journal= {arXiv preprint arXiv:1701.07011},
year = {2018}
}
备注
9 pages, 6 figures, 3 tables. Supplementary info: 2 pages