函数对标量的分位回归及其在质谱蛋白质组学数据中的应用

质谱蛋白质组学以尖峰状、空间异质的泛函数据为特征，可用于识别潜在的癌症生物标志物。现有的质谱分析利用均值回归来检测在不同组间差异表达的光谱区域。然而，鉴于患者间异质性是癌症的一个关键标志，许多生物标志物仅在一部分（而非全部）癌症样本中处于异常水平。这些生物标志物的差异很容易被均值回归遗漏，但可能更容易通过基于分位数的方法检测到。因此，我们提出一个统一的贝叶斯框架来对函数型响应进行分位回归。我们的方法利用非对称拉普拉斯工作似然，用基展开表示函数系数从而实现邻近位置的强度借用，并对基系数施加全局-局部收缩先验以实现自适应正则化。我们的框架中可使用不同类型的基变换和连续收缩先验。我们开发了可扩展的 Gibbs 采样器来生成后验样本，可用于进行贝叶斯估计与推断，同时考虑多重检验问题。我们的框架以统一的方式执行分位回归和系数正则化，使二者相互借鉴，仿真研究表明其相对于竞争方法性能更优。我们还对模型引入了一种调整过程以改善其后验推断的频率学性质。我们将模型应用于识别胰腺癌的蛋白质组学生物标志物，这些标志物相对于正常对照在一部分癌症患者中差异表达，而此前基于均值回归的方法未能发现。本文的补充材料可在线获取。