利用混合非负矩阵分解整合高血压表型与基因型
定量方法
2018-05-22 v2 信息检索
摘要
高血压是一种异质性综合征，需要利用表型和遗传测量进行改进的亚型划分，以便不同亚型中的患者共享相似的病理生理机制，并对靶向治疗产生更一致的反应。现有的机器学习方法在整合表型和基因型信息以及向临床医生呈现可解释模型方面经常面临挑战。我们旨在通过在表型和基因型矩阵上引入混合非负矩阵分解来提供有信息的患者分层。HNMF 使用不同的适当损失函数同时逼近表型和遗传矩阵，并生成患者亚型、表型组和基因组。与以往的方法不同，HNMF 在 Frobenius 损失下逼近表型矩阵，在 Kullback-Leibler (KL) 损失下逼近遗传矩阵。我们提出了一种交替投影梯度法来解决该逼近问题。模拟表明 HNMF 能快速准确地收敛到真实的因子矩阵。在真实世界的临床数据集上，我们使用患者因子矩阵作为特征来预测主要的心脏机制结局。我们将 HNMF 与六种不同的模型进行了比较，这些模型仅使用表型或基因型特征、使用或不使用 NMF，或使用仅具有一种损失类型的联合 NMF。HNMF 显著优于所有对比模型。HNMF 还揭示了表征心脏异常的直观表型-基因型相互作用。
引用
@article{arxiv.1805.05008,
title = {Integrating Hypertension Phenotype and Genotype with Hybrid Non-negative Matrix Factorization},
author = {Yuan Luo and Chengsheng Mao and Yiben Yang and Fei Wang and Faraz S. Ahmad and Donna Arnett and Marguerite R. Irvin and Sanjiv J. Shah},
journal= {arXiv preprint arXiv:1805.05008},
year = {2018}
}
备注
fixed some presentation errors