从高维二元数据学习网络：在基因组不稳定性数据中的应用
统计方法学
2009-08-27 v1
摘要
基因组不稳定性，即染色体畸变的倾向，在许多疾病的发展中起着关键作用。高通量基因分型实验已被用于研究疾病中的基因组不稳定性。此类实验的输出可概括为高维二元向量，其中每个二元变量记录一个标记位点的畸变状态。理解这些畸变如何相互作用具有重要研究价值。在本文中，我们提出了一种新方法\texttt{LogitNet}来推断畸变事件之间的相互作用。该方法基于带惩罚的逻辑回归，并进行了扩展以考虑基因组不稳定性数据中的空间相关性。我们进行了广泛的模拟研究，表明所提出的方法在所考虑的情况下表现良好。最后，我们使用乳腺癌样本的基因组不稳定性数据对该方法进行了说明。
引用
@article{arxiv.0908.3882,
title = {Learning networks from high dimensional binary data: An application to genomic instability data},
author = {Pei Wang and Dennis L. Chao and Li Hsu},
journal= {arXiv preprint arXiv:0908.3882},
year = {2009}
}