用于 1 型糖尿病的多个基因调控网络的快速贝叶斯整合学习
统计方法学
2018-12-10 v3
摘要
受利用在多个时间点从患者与健康对照收集的基因表达数据研究 1 型糖尿病（T1D）分子机制的需求驱动，我们提出一种联合估计多个相依高斯图模型的新方法。与现有方法相比，所提方法具有若干显著优势。首先，它包含显式跨条件整合信息的荟萃分析步骤；相反，现有方法常通过先验分布或惩罚函数整合信息，通常效率较低。其次，所提方法的贝叶斯步骤不直接处理原始数据，而是基于边级分数，从而避免了高维协方差矩阵求逆，因而计算极快。边级分数构成偏相关系数的等价度量，由此对每种条件下数据所含图结构信息提供良好概要。第三，所提方法可对多个图模型中检出的边提供总体不确定性度量，而现有方法仅给出点估计或仅适用于极小规模问题。我们在温和条件下证明所提方法的一致性，并用模拟与真实数据示例展示其表现。数值结果表明所提方法在估计精度与计算效率上均优于现有方法。将所提方法扩展至多个混合图模型的联合估计是直接可行的。
引用
@article{arxiv.1805.02620,
title = {Fast Bayesian Integrative Learning of Multiple Gene Regulatory Networks for Type 1 Diabetes},
author = {Bochao Jia and Faming Liang and the TEDDY Study Group},
journal= {arXiv preprint arXiv:1805.02620},
year = {2018}
}