临床基因组数据的树诱导回归融合

癌症预后通常基于一组组学协变量和一组已建立的临床协变量（如年龄和肿瘤分期）。组合这两组数据带来了挑战。首先，维度差异：临床协变量应被优先考虑，因为它们是低维的，并且通常比高维组学协变量具有更强的预后能力。其次，交互作用：遗传图谱及其预后效应可能因患者亚群而异。最后，冗余性：一个（组）基因可能编码与某个临床协变量相似的预后信息。为应对这些挑战，我们将仅使用临床协变量的回归树与叶节点中针对组学协变量的类融合惩罚回归框架相结合。融合惩罚控制了亚群间遗传图谱的变异性。我们证明了所提方法的收缩极限等于一个基准模型：对组学协变量进行惩罚、对临床协变量不进行惩罚的岭回归。此外，所提方法允许研究人员评估，对于不同亚群，与仅使用临床协变量相比，整体组学效应是否增强了预后。在基于已建立的临床协变量和20000多个基因表达进行结直肠癌预后的应用中，我们展示了该方法的特点。