组自适应弹性网惩罚项的快速边际似然估计

如今，临床研究常规使用组学数据（如基因表达）来预测临床结局或筛选标志物。此外，常可获得所谓的辅数据，提供关于协变量的补充信息，例如已发表研究中的 p 值或与通路对应的基因群组。弹性网惩罚广泛用于预测与协变量选择。组自适应弹性网惩罚通过比其它组更少地惩罚重要协变量组，从辅数据中学习以改进预测与协变量选择。然而，现有方法计算代价高昂。在此我们提出一种用于广义线性模型组自适应弹性网惩罚项边际似然估计的快速方法。我们首先推导组自适应岭惩罚边际似然及其一阶导数的泰勒近似的低维表示，以高效估计这些惩罚项。随后，利用线性预测子的渐近正态性，我们证明弹性网模型的边际似然可由岭模型的边际似然良好近似。进而通过方差函数将岭组惩罚转换为弹性网组惩罚。该方法允许重叠组与无惩罚变量。我们在基于模型的模拟研究及癌症基因组学应用中展示了该方法。该方法大幅缩短计算时间，并通过从辅数据中学习优于或匹敌其他方法。