异质性整合与预测（HIP）方法的扩展及其 R Shiny 应用
统计方法学
2023-10-13 v1 应用统计
统计计算
机器学习
摘要
在同一组受试者上测量的多视图数据正变得愈发常见，并通过同时分析这些不同视图，有潜力加深我们对许多复杂疾病的理解。同样重要的是，这些复杂疾病中有许多表现出亚组异质性证据（例如按性别或种族）。HIP（异质性整合与预测，Heterogeneity in Integration and Prediction）是最早提出的在整合多视图数据的同时考虑亚组异质性以识别某特定疾病共同与亚组特异性标记的方法之一。然而，HIP 仅适用于连续型结局，且要求用户具备编程专长。在此我们提出 HIP 的扩展，在保留 HIP 优势的同时兼容多分类、泊松与零膨胀泊松结局。此外，我们介绍了一个 R Shiny 应用，可通过 shinyapps.io 上的 https://multi-viewlearn.shinyapps.io/HIP_ShinyApp/ 访问，该应用为 HIP 的 Python 实现提供接口，使更多研究者能在任何设备与地点使用该方法。我们将 HIP 应用于识别与加重频率相关的、男女性共有及特有的基因与蛋白质。尽管部分已识别基因与蛋白质在现有文献中显示出与慢性阻塞性肺疾病（COPD）的关联，其余则可能是未来研究其与 COPD 关系的候选对象。我们用公开数据演示了该 Shiny 应用的使用。HIP 的 R 包将发布于 https://github.com/lasandrall/HIP。
引用
@article{arxiv.2310.08426,
title = {Extensions of Heterogeneity in Integration and Prediction (HIP) with R Shiny Application},
author = {J. Butts and C. Wendt and R. Bowler and C. P. Hersh and Q. Long and L. Eberly and S. E. Safo},
journal= {arXiv preprint arXiv:2310.08426},
year = {2023}
}