空间变化高斯马尔可夫随机场的高效推断及其在基因调控网络中的应用
应用统计
2022-06-22 v1 统计方法学
机器学习
摘要
本文研究空间变化高斯马尔可夫随机场（SV-GMRF）的推断问题，其目标是学习由稀疏的、上下文特定的 GMRF 组成的网络，以表示基因间的网络关系。SV-GMRF 的一个重要应用是从空间分辨转录组学数据集中推断基因调控网络。当前关于 SV-GMRF 推断的工作基于正则化最大似然估计（MLE），并因其高度非线性的性质而面临极高的计算成本。为缓解这一挑战，我们提出了一个简单高效的优化问题来替代 MLE，该问题具备较强的统计与计算保证。我们所提出的优化问题在实践中极为高效：我们可以在不到 2 分钟的时间内求解变量数超过 200 万的 SV-GMRF 实例。我们将所开发的框架应用于研究胶质母细胞瘤中基因调控网络如何在组织内发生空间重连，并识别出转录因子 HES4 和核糖体蛋白的显著活性，其特征是肿瘤血管周围 niche 中的基因表达网络，该区域已知含有耐药干细胞。
引用
@article{arxiv.2206.10174,
title = {Efficient Inference of Spatially-varying Gaussian Markov Random Fields with Applications in Gene Regulatory Networks},
author = {Visweswaran Ravikumar and Tong Xu and Wajd N. Al-Holou and Salar Fattahi and Arvind Rao},
journal= {arXiv preprint arXiv:2206.10174},
year = {2022}
}